Towards a General Framework for Actual Causation Using CP-logic
KULeuven - University of Leuven（鲁汶大学）
自从珀尔为因果关系提供了一种形式语言的开创性工作以来，这个主题在哲学家和人工智能研究人员中引起了很大的兴趣。在这方面，争论最多的主题之一是实际因果关系的概念，它关注的是具体的-而不是一般的-因果主张。寻找一个适当的正式定义的实际因果关系已经演变成一个有争议的辩论，这是弥漫着含糊和混乱。我们的研究目标是双重的。首先，我们希望提供一个明确的方式来比较竞争的定义。其次，我们还希望改进这些定义，以便它们可以应用于更多样化的实例，包括非确定性实例。为了实现这些目标，我们将提供一个一般的，抽象的定义，实际的因果关系，制定在表达语言的CP逻辑（因果概率逻辑）的上下文中。然后，我们将证明，Ned Hall最近的三个定义（最初是为结构模型制定的）和我们自己的定义（直接为CP逻辑制定的）可以被视为这个抽象定义的实例并直接进行比较，这使得它们能够处理更广泛的例子。
2015-10-29 cs.AI
Actual Causation and Nondeterministic Causal Models
Cornell University（康奈尔大学）
本文基于非确定性因果模型，从因果模型交流与学习的功能出发，结合反事实依赖与结构化简，提出一种新的实际因果关系定义，其结论与作者先前定义几乎一致。
2025-03-10 cs.AI
Actual causation and the art of modeling
我们更仔细地研究了使用结构方程的因果关系建模。很明显，结构方程对我们得出的因果关系的结论有重大影响。特别是，变量及其值的选择也会对因果关系产生重大影响。这些选择在某种程度上是主观的。我们认为什么是适当的选择。更一般地说，我们考虑是什么使一个模型成为一个合适的模型，特别是如果我们想考虑默认值，因为在最近的工作中被认为是必要的。
2011-06-14 cs.AI
Compact Representations of Extended Causal Models
Cornell University（康奈尔大学）；California Institute of Technology（加州理工学院）
朱迪亚·珀尔是第一个使用因果模型提出实际因果关系定义的人。许多作者认为，对实际因果关系的充分说明不仅要诉诸因果结构，而且要考虑到正常性。在早期的工作中，我们使用扩展的因果模型提供了实际因果关系的定义，其中包括因果结构和常态的信息。扩展的因果模型可能非常复杂。在本文中，我们将展示如何实现扩展因果模型的紧凑表示。
2013-09-05 cs.AI
What caused what? A quantitative account of actual causation using dynamical causal networks
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Tufts University（塔夫茨大学）
实际因果关系涉及的问题是“什么导致了什么？“考虑一个由相互作用的元素组成的系统中的两个状态之间的转换，比如一个人工神经网络，或者一个生物大脑回路。哪种突触组合导致神经元放电？哪些图像特征导致分类器误解图片？即使详细了解系统的因果网络，其元素，它们的状态，连接性和动态，也不能自动提供一个简单的答案，“什么导致了什么？”“问题。基于图形模型的实际因果关系的反事实描述，与系统干预相结合，已经证明了在解决符合直觉因果判断的特定问题案例方面的初步成功。在这里，我们从一组因果关系的基本要求（实现，组成，信息，集成和排除），并制定了严格的，定量的实际因果关系，一般适用于离散动力系统。我们提出了一个正式的框架来评估这些因果关系的要求，是基于系统的干预和分区，并考虑所有的反事实的状态转换。该框架通过识别和量化连接两个连续系统状态的所有实际原因和影响的强度来提供对过渡的完整因果解释。最后，我们研究了几个典型的案例和悖论的因果关系，并表明，他们可以照亮所提出的框架，量化实际的因果关系。
2019-01-09 cs.AI math.ST stat.TH
T-CPDL: A Temporal Causal Probabilistic Description Logic for Developing Logic-RAG Agent
University of Derby（德比大学）
本文提出时序因果概率描述逻辑T-CPDL，扩展传统描述逻辑以处理时间、因果和概率推理，实验证明其显著提升语言模型推理准确性与可解释性，并为Logic-RAG框架奠定基础。
2025-06-23 cs.AI cs.LO
Sufficient and necessary causation are dual
CISPA, Saarland University（萨尔大学 CISPA 亥姆霍兹信息安全中心）；Saarland Informatics Campus（萨尔信息学园区）
因果关系是自希波克拉底以来哲学争论的焦点。最近的工作定义了实际的因果关系方面的珍珠/哈尔彭的因果关系框架，形式化的必要原因（IJCAI'15）。这启发了安全领域的因果关系概念（CSF'15），这可能令人惊讶，而不是形式化的充分原因。我们提供了必要原因和充分原因之间的明确关系。
2017-10-25 cs.AI cs.LO
Combining Probabilistic, Causal, and Normative Reasoning in CP-logic
KU Leuven – University of Leuven（鲁汶大学）
近年来，对实际因果关系的一个适当的正式定义的探索--即，在具体的观察中所体现的因果关系，而不是一般的因果关系，已经达到了令人印象深刻的程度。在某种程度上，这是由于洞察力，这一概念在许多不同的领域，如法律理论，工程，医学，伦理学等，由于这种多样性的应用，一些研究人员已经从一个单一的理想化的定义转移到一个更务实的，基于上下文的帐户的焦点起着根本性的作用。例如，Halpern和Hitchcock最近的工作借鉴了关于人们因果判断的实证研究，提出了一个分级和上下文敏感的因果关系概念。虽然我们赞同他们的许多观察，但他们仅限于定性排序，在更复杂的例子中会遇到麻烦。因此，我们的目标是改进他们的方法，通过使用CP逻辑（因果概率逻辑）的形式语言，以及由当前作者使用它开发的定义实际因果关系的框架。首先，我们将他们的想法重新表述为我们的定量，概率设置，之后，我们修改它以适应更大类的例子。此外，我们介绍了统计和规范的考虑之间的正式区别。
2015-03-03 cs.AI
On the Semantics of Primary Cause in Hybrid Dynamic Domains
University of Regina（里贾纳大学）
本文在混合行动理论框架下提出了两种初级原因的定义，通过贡献形式化因果关系，并证明其等价性。
2026-02-16 cs.AI
Moral reinforcement learning using actual causation
Technical University of Denmark（丹麦技术大学）
强化学习系统将在越来越大的程度上做出对人类福祉产生重大影响的决策，因此，这些系统做出符合我们对道德良好行为的期望的决策至关重要。道德上的善通常被定义为因果关系，如一个人的行为是否确实导致了特定的结果，以及该结果是否可以被预期。我们提出了一种在线强化学习方法，该方法在代理不应该造成伤害的约束下学习策略。这是通过使用实际因果关系理论定义原因，并在代理人的行为是不良结果的实际原因时将责任归咎于代理人来实现的。我们对一个玩具伦理困境进行了实验，在这个玩具伦理困境中，奖励函数的自然选择会导致明显不受欢迎的行为，但我们的方法学习了一种避免成为有害行为原因的政策，证明了我们方法的合理性。允许智能体在观察因果道德差异（如责备）的同时进行学习，为学习更符合我们道德判断的政策提供了可能性。
2022-05-17 cs.AI cs.CY cs.LG
Reasoning about Actual Causes in Nondeterministic Domains -- Extended Version
University of Regina（里贾纳大学）；York University（约克大学）
本文研究非确定性领域中的实际因果推理，基于非确定性情境演算提出“必然导致”和“可能导致”概念，并扩展回归方法以支持对这些实际因果关系概念的推理。
2024-12-21 cs.AI
The Difficulties of Learning Logic Programs with Cut
因为真正的逻辑程序员通常使用cut（！），一个有效的逻辑程序学习过程应该能够处理它。2因为cut谓词只有过程意义，所以包含cut的子句不能像大多数学习系统那样使用外延求值方法来学习。另一方面，搜索可能程序的空间（而不是独立子句的空间）是不可行的。另一种解决方案是首先生成一个候选基础程序，该程序覆盖了正例，然后通过在适当的地方插入cut来使其一致。以前没有研究过用cut学习程序的问题，这似乎是一种自然合理的方法。我们推广这个计划，并调查所产生的困难。一般来说，一些主要的缺点实际上是由于需要内涵评价造成的。作为一个结论，本文的分析表明，在精确和技术的理由，学习切是困难的，目前的归纳技术可能应限于纯粹的声明性逻辑语言。
1993-11-01 cs.AI
Probabilistic Reasoning in the Description Logic ALCP with the Principle of Maximum Entropy (Full Version)
Free University of Bozen-Bolzano（博尔扎诺自由大学）；University of Osnabrück（奥斯纳布吕克大学）
知识表示的核心问题是如何对不确定性知识进行合理的编码和处理。我们介绍的概率描述逻辑ALCP，是专为表示上下文相关的知识，其中发生的实际情况是不确定的。ALCP允许对域的逻辑依赖和对可能上下文的概率依赖的表达。为了得出概率结论，我们采用最大熵原理。我们提供了推理算法，这种逻辑，并表明它满足概率逻辑的几个理想的属性。
2016-06-30 cs.AI cs.LO
Evonne: Interactive Proof Visualization for Description Logics (System Description) -- Extended Version
TU Dresden（德累斯顿工业大学）
描述逻辑蕴涵的解释为大型本体的维护提供了重要的支持。在本体编辑器中通常用于此目的的“证明”精确指出本体中负责给定蕴涵的部分。蕴涵的证明使中间的推理步骤变得明确，从而解释了一个结论实际上是如何推导出来的。我们提出了一个交互式的系统，探索描述逻辑证明，称为Evonne，可视化的表达DL写的本体论的后果证明。我们描述了用于计算这些证明的方法，以及一个称为基于签名的证明浓缩的功能。此外，我们使用真实的本体来评估生成的证明的质量。
2022-05-19 cs.AI cs.LO
A Machine Learning-based Approach for Solving Recurrence Relations and its use in Cost Analysis of Logic Programs
Technical University of Madrid (UPM)（马德里理工大学（UPM））；IMDEA Software Institute（IMDEA软件研究所）；University of California, Merced（加州大学默塞德分校）；Spanish Council for Scientific Research（西班牙科学研究理事会）
本文提出一种基于机器学习的递推关系求解方法，结合稀疏线性与符号回归及SMT和CAS验证，用于逻辑程序成本分析，在CiaoPP中优于现有工具。
2024-08-29 cs.AI cs.PL
Searching for Actual Causes: Approximate Algorithms with Adjustable Precision
Telecom Paris, LTCI, IPParis（电信巴黎学院、LTCI、IPParis）
针对非专业用户期望的“实际原因”难以形式化且识别为NP完全问题，提出一组多项式复杂度、精度可调的算法，能处理非布尔、黑盒和随机系统并平衡精度与计算时间。
2026-09-29 cs.AI
Extending Automated Deduction for Commonsense Reasoning
Tallinn University of Technology（塔林理工大学）
常识推理一直被认为是人工智能的圣杯之一。该领域的大多数最新进展都是通过用于自然语言处理的新型机器学习算法实现的。然而，如果不结合逻辑推理，这些算法仍然可以说是肤浅的。除了一些值得注意的例外，实际的自动化逻辑推理机的开发人员大多避免关注这个问题。本文认为，经典一阶逻辑的现有自动推理机所使用的方法和算法可以扩展到常识推理。而不是设计新的专门的逻辑，我们提出了一个框架的扩展主流的分辨率为基础的搜索方法，使这些能够执行搜索任务的实际常识推理合理的效率。建议的扩展主要依赖于普通的证明树上操作，旨在处理常识知识库，包含不一致，默认规则，分类，主题，相关性，置信度和相似性的措施。我们认为，机器学习最适合于常识知识库的构建，而扩展的基于逻辑的方法将非常适合于实际回答来自这些知识库的查询。
2020-03-29 cs.AI
Transfinite Modal Logic: a Semi-quantitative Explanation for Bayesian Reasoning
Japan Advanced Institute of Science and Technology（日本北陆先端科学技术大学院大学）
贝叶斯推理在人类理性和机器学习中起着重要的作用。本文介绍了超限模态逻辑，它将模态逻辑与序数运算相结合，半定量地形式化贝叶斯推理。在技术上，我们首先研究了序数算术的一些非平凡性质，然后使我们能够自然和优雅地扩展正常模态逻辑的语义到新的超限模态逻辑上，同时仍然保持Kripke模型的普通定义完全不变。尽管所有的超限数学定义，我们认为，在实践中，这种逻辑实际上可以适应一个完全有限的解释。我们认为，超限模态逻辑以一种相当简单明了的形式抓住了贝叶斯推理的本质，特别是它为福尔摩斯的名言“当你排除了不可能，剩下的无论多么不可能，都一定是真理”提供了一个完美的解释。“我们还证明了我们的逻辑的有限模型性质定理的对应。
2022-04-02 cs.AI cs.LO math.LO
Interpretable Apprenticeship Learning with Temporal Logic Specifications
本文提出通过多目标优化从MDP中的行为轨迹推断LTL规范，采用违反成本概念设计状态和动作基于的目标函数，并通过遗传算法在简单领域验证方法有效性。
2017-10-28 cs.AI cs.LG cs.SY
Logic Traps in Evaluating Attribution Scores
Institute of Automation, CAS（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Beijing Academy of Artificial Intelligence（北京人工智能研究院）
现代深度学习模型是出了名的不透明，这促使人们开发了解释深度模型预测效果的方法。这一目标通常通过归因方法来实现，该方法评估特征对模型预测的影响。作为一种解释方法，归因方法的评价标准是它在多大程度上准确地反映了模型的实际推理过程（忠实性）。同时，由于深度模型的推理过程是不可访问的，研究人员设计了各种评估方法来证明他们的论点。然而，这些评价方法中的一些关键逻辑陷阱在大多数作品中被忽视，导致不准确的评价和不公平的比较。本文系统地回顾了现有的归因得分评估方法，并总结了这些方法中存在的逻辑陷阱。我们进一步进行实验来证明每个逻辑陷阱的存在。通过理论和实验分析，希望引起对归因分数不准确评价的关注。此外，在本文中，我们建议停止关注在不可靠的评估系统下提高性能，并开始努力减少拟议逻辑陷阱的影响
2023-03-04 cs.AI cs.CL cs.LG
