论反事实推理的复杂性
人工智能
2023-05-22 v2 计算复杂性
机器学习
计算机科学中的逻辑
摘要
我们研究了结构因果模型（SCMs）上反事实推理的计算复杂性与关联推理及干预推理复杂性之间的关系。我们表明，在两种计算框架下，反事实推理并不比完全指定 SCM 上的关联或干预推理更困难。第一种框架基于树宽概念，包含经典的变量消去与联结树算法。第二种框架基于更新且精细的因果树宽概念，面向具有如 SCMs 般函数依赖的模型。我们的结果是构造性的，基于将用于标准反事实推理（考量现实与想象两个世界）的孪生网络的（因果）树宽，界定至底层 SCM 结构的（因果）树宽。特别地，我们表明后者的（因果）树宽不超过前者的两倍加一。因此，若关联或干预推理在完全指定 SCM 上是易处理的，则反事实推理也是易处理的。我们将结果推广至需考量多于两个世界的一般反事实推理，并讨论了结果在耦合数据的部分指定 SCM 反事实推理上的应用。最后我们给出了度量随机 SCM 上反事实推理与关联/干预推理复杂性差距的实证结果。
引用
@article{arxiv.2211.13447,
title = {On the Complexity of Counterfactual Reasoning},
author = {Yunqiu Han and Yizuo Chen and Adnan Darwiche},
journal= {arXiv preprint arXiv:2211.13447},
year = {2023}
}
备注
Appearing in the International Joint Conference on Artificial Intelligence (IJCAI), 2023