DeepSWIP：用于神经概率逻辑程序的Quotient-WMC反事实

如DeepProbLog这样的神经符号系统将神经感知与概率逻辑相结合，但其标准推理为关联推理。反事实推理还需要针对干预与证据的因果语义。我们引入了DeepSWIP，这是一种针对DeepProbLog程序的单世界反事实语义。利用神经具化，我们将固定上下文的神经谓词转化为普通的ProbLog选择，应用单世界干预程序（SWIPs），并通过在单个变换程序上进行加权模型计数（WMC）来计算反事实。在有限实例化与唯一支持模型假设下，DeepSWIP相对于已学习的具化FCM是精确的。ProbLog条件式的标准商-WMC形式识别了活跃的神经概率，并解释了干预清理、校准敏感性与稀有证据不稳定性。在MPI3D上的实验证实了该变换针对DeepTwin构造与12,000个查询的表现符合预测，且通过避免Twin的内生复制实现了2.14$\times$的推理加速。一项SUMO HOV实验表明，神经校准退化会导致插入式估计产生偏差，而范围划分正确的随机化策略AIPW估计器则能消除总体均值与ATE估计目标的大部分一阶偏差。代码位于