論文の概要: How Rules Represent Causal Knowledge: Causal Modeling with Probabilistic Logic Programming
- arxiv url: http://arxiv.org/abs/2607.21208v1
- Date: Thu, 23 Jul 2026 11:21:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.389382
- Title: How Rules Represent Causal Knowledge: Causal Modeling with Probabilistic Logic Programming
- Title（参考訳）: ルールが因果知識をどのように表現するか:確率論理プログラミングによる因果モデリング
- Abstract要約: 本稿では、確率論理プログラミング(PLP)における因果性へのパールのアプローチについて述べる。
これらのプログラムの形式的因果意味論は、介入の概念や実装とともに提案される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pearl famously argues that causal knowledge enables the prediction of intervention effects. By contrast, purely descriptive knowledge supports only conclusions drawn from observations. His theory of causality, however, is developed exclusively within Bayesian networks and causal models. Consequently, it is largely restricted to acyclic causal relationships, and transferring its ideas to other formalisms risks misinterpretation or inconsistency. This paper brings Pearl's approach to causality into probabilistic logic programming (PLP). To this end, such programs are aligned with philosophical foundations established in prior work that do not rely on temporal notions; that is, all relevant events are assumed to occur simultaneously. A formal causal semantics for these programs, together with a notion of intervention and an implementation, is proposed. It is shown that this semantics coincides with the P-log semantics for stratified ProbLog programs, while the two may differ in the non-stratified case and for other PLP formalisms.
- Abstract（参考訳）: パールは因果知識は介入効果の予測を可能にすると主張している。
対照的に、純粋に記述的な知識は観察から引き出された結論のみをサポートする。
しかし、彼の因果性の理論はベイズ的ネットワークや因果モデルの中でのみ発展している。
その結果、非循環的な因果関係に大きく制限され、その考えを他の形式主義に移すと、誤解や矛盾が生じる。
本稿では、確率論理プログラミング(PLP)における因果性へのパールのアプローチについて述べる。
この目的のために、そのようなプログラムは、時間的概念に依存しない先行研究で確立された哲学的基礎、すなわち全ての関連する事象が同時に起こると仮定される。
これらのプログラムの形式的因果意味論は、介入の概念や実装とともに提案される。
このセマンティクスは、階層化されたProbLogプログラムのP-logセマンティクスと一致するが、この2つのセマンティクスは、非階層化されたケースと他のPLP形式に異なる可能性がある。
関連論文リスト
- From probability to causality in probabilistic logic programming [0.0]
確率論理プログラミングは、システム外部からの介入を含む因果クエリをサポートする。
データから確率論理プログラムの構造が学習されると、確率情報のみを使用する。
これは介入推論の曖昧さをもたらし、因果順序が分布によって一意に決定されるかどうかという疑問を提起する。
論文 参考訳（メタデータ） (2026-08-07T13:46:43Z) - Logic Programming Semantics for Causal Processes [0.0]
論理プログラミングのセマンティクスと、それらの論理プログラムと互換性のある因果過程の最終的な状態の関係について検討する。
正の論理プログラムの安定モデルは、中立状態から成り、無秩序に継続する過程の最終的な状態に対応するが、支持されたモデルは任意の開始点から到達可能な結果の状態を記述する。
論文 参考訳（メタデータ） (2026-07-23T11:48:45Z) - CausalFlip: A Benchmark for LLM Causal Judgment Beyond Semantic Matching [50.65932158912512]
そこで我々は,新しい大言語モデルの開発を促進するために,因果推論ベンチマークCausalFlipを提案する。
CaulFlipは、イベントトリプル上に構築された因果判断の質問で構成されており、共同創設者、チェーン、コライダーの関係が異なっている。
回答のみのトレーニング,明示的なチェーン・オブ・ソート監視,そして内在型因果推論アプローチなどを含む,複数の訓練パラダイムによるLCMの評価を行った。
論文 参考訳（メタデータ） (2026-02-23T18:06:15Z) - Conversational Implicatures: Modelling Relevance Theory Probabilistically [2.166951056466718]
確率論の最近の進歩は、プラグマティクスとセマンティクスの「確率論的転回」につながった。
本稿では、類似したベイズ的アプローチが、関連理論のプラグマティクスにどのように適用できるかを考察する。
論文 参考訳（メタデータ） (2025-09-26T13:50:49Z) - How Rules Represent Causal Knowledge: Causal Modeling with Abductive Logic Programs [0.0]
本稿では,階層化帰納論理プログラムの設定に対するパールの因果性と介入のアプローチを拡張した。
これは、そのようなプログラムの安定なモデルが、哲学的基礎の上に構築することで因果的解釈を与えることができることを示す。
論文 参考訳（メタデータ） (2025-07-07T15:12:01Z) - Algorithmic causal structure emerging through compression [53.52699766206808]
因果関係,対称性,圧縮の関係について検討する。
我々は、学習と圧縮の既知の関係を因果モデルが識別できないような環境に構築し、一般化する。
我々はアルゴリズム因果関係を因果関係の代替的定義として定義する。
論文 参考訳（メタデータ） (2025-02-06T16:50:57Z) - Failure Modes of LLMs for Causal Reasoning on Narratives [51.19592551510628]
世界の知識と論理的推論の相互作用について検討する。
最先端の大規模言語モデル(LLM)は、しばしば表面的な一般化に依存している。
タスクの単純な再構成により、より堅牢な推論行動が引き起こされることを示す。
論文 参考訳（メタデータ） (2024-10-31T12:48:58Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳（メタデータ） (2023-06-09T08:30:51Z) - Causal Inference Principles for Reasoning about Commonsense Causality [93.19149325083968]
コモンセンス因果推論(Commonsense causality reasoning)は、平均的な人によって妥当と見なされる自然言語記述における妥当な原因と影響を特定することを目的としている。
既存の作業は通常、深い言語モデルに全面的に依存しており、共起を混同する可能性がある。
古典的因果原理に触発され,我々はCCRの中心的問題を明確にし,観察研究と自然言語における人間の対象間の類似性を引き出す。
本稿では,時間信号をインシデント・インシデント・インシデント・インシデント・インシデントとして活用する新しいフレームワークであるROCKをReason O(A)bout Commonsense K(C)ausalityに提案する。
論文 参考訳（メタデータ） (2022-01-31T06:12:39Z) - A Topological Perspective on Causal Inference [10.965065178451104]
仮定のない因果推論は、構造因果モデルの単なる集合においてのみ可能であることを示す。
以上の結果から,有効な因果推論を行うのに十分な帰納的仮定は,原理上は統計的に検証できないことが示唆された。
我々のトポロジカルアプローチのさらなる利点は、無限に多くの変数を持つSCMに容易に対応できることである。
論文 参考訳（メタデータ） (2021-07-18T23:09:03Z) - Thinking About Causation: A Causal Language with Epistemic Operators [58.720142291102135]
我々はエージェントの状態を表すことで因果モデルの概念を拡張した。
対象言語の側面には、知識を表現する演算子や、新しい情報を観察する行為が追加されます。
我々は、論理の健全かつ完全な公理化を提供し、このフレームワークと因果的チーム意味論との関係について論じる。
論文 参考訳（メタデータ） (2020-10-30T12:16:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。