從CBD到實際因果性：在可解釋人工智慧中融合一致性診斷與責任度量

導言

可解釋人工智慧（XAI）近年重視因果分析與歸因方法。本研究試圖建立兩個看似不同研究社群間的橋樑：一端是人工智慧研究社群常用的實際因果性與因果責任度量，另一端是知識表示與診斷領域長期發展的一致性基診斷（Consistency-Based Diagnosis, CBD）。作者採用命題邏輯與布林分類器作為討論基礎，用具體例子說明兩者如何互相表述並互補。

實際因果性與責任度：簡要回顧

實際因果性的核心在於透過反事實介入（counterfactual intervention）檢驗變數是否為結果的成因。若單一變動能夠改變結果，該變數為反事實原因（counterfactual cause）；若需要在某些前提下連同其他變動才造成結果改變，則稱為實際原因（actual cause），而那組必要的前提稱為應變集合（contingency set）。責任度（responsibility）以數值量化該因果的強度：若最小應變集合大小為 |Γ|，則責任度定義為 Resp = 1/(1+|Γ|)。

一致性基診斷（CBD）：範例與直覺

CBD 的出發點是：當系統觀察值與理想模型互相矛盾時，透過假設某些元件失常以恢復一致性，所得到的失常集合即為診斷。以簡單布林電路為例，假設理想模型為

{(x ↔ (a ∧ b)), (d ↔ (x ∨ c))}

若觀察到 a = true, b = false, c = true, d = false，則模型與觀察不相容。CBD 透過引入「元件異常」變數（abA、abO）來表示門電路是否失常，並找出最小的異常集合使整體一致。

把CBD重構為因果查詢

將CBD映射到因果框架時，關鍵在於把那些在CBD中被視為可假設改變的變數標記為內生（endogenous），而把環境或上下文值標記為外生（exogenous）。以電路範例為例，若把門電路的異常標記為內生，對這些變數進行反事實介入可改變分類器（或滿足性檢驗）的輸出。若某一個異常變數單獨介入即可改變輸出，則該變數在因果意義下為反事實原因，對應到CBD中的一個最小診斷。

例示輸入向量可用程式碼式表示：

e = <abA, abO, a, b, c, d>

若將 abO 從 0 改為 1 能使 SAT 類問題的判定由「不可滿足」變為「可滿足」，則原本的 abO=0 可視為反事實成因；在 CBD 中將 abO 設為失常即可恢復一致性，此診斷因此可獲得責任度 1（最強成因）。

反向：把因果歸因問題表述為CBD

同樣地，傳統由實際因果性處理的歸因任務（例如找出影響分類結果的輸入特徵）可以透過在輸入端引入「異常」變數轉化為 CBD 問題：把輸入視為可能失真的元件，然後尋找最小的輸入異常集合，使得原本的輸出成為可解釋的結果。這種表述讓 CBD 能承接因果分析的反事實直覺，而不必事先完全指定一個結構因果模型內部的計算細節。

技術比較與互補性分析

兩者的差異與互補之處如下：

• 表述語彙：CBD 以一致性與失常變數表達診斷，因果方法以結構因果模型與反事實介入描述成因。兩者在形式上可互譯，尤其在命題或布林設定下。
• 焦點不同：實際因果性強調因果關係的強度與責任分配（可作為歸因分數），CBD 則偏向最小化失常假設以恢復模型一致性（偏向診斷與修復候選）。
• 計算性：責任度的精確計算在二元情況下即已呈現計算上的不可行性，而 CBD 的最小診斷搜尋亦面臨組合爆炸。雙方可互相借鑑演算法，例如用因果模型的結構減少搜尋空間，或用 CBD 的約簡技術快速排除不必要候選。

對XAI與可解釋資料管理的影響預測

把 CBD 與實際因果性接軌，帶出幾點可能影響：一是為 XAI 提供另一套能強調模型或資料異常來源的診斷工具，對於需要追溯資料錯誤或模型輸入污染的場景尤其有用；二是責任度可作為診斷排序準則，協助自動化排查時優先處理高影響成因；三是在可解釋資料管理（Explainable Data Management）領域，這種互譯讓查詢應答的解釋具備更強的因果語意與可操作性的修復建議。

歷史脈絡與深度洞察

實際因果性起源於 Halpern 與 Pearl 的反事實形式化，而 CBD 源於 Reiter 的模型診斷工作。這兩條路線原本分屬不同研究社群：一側重於因果推理與推論語義，另一側則重實務系統的故障定位。把它們整合，不僅能把因果語意導入實用的診斷過程，也能把診斷的可作為性（可變更的失常因素）回饋給因果歸因演算法，促成理論與工程的雙向增益。

範例總結

透過布林分類器與電路診斷示例，可以直觀看出：CBD 的「把哪個元件標記為失常」與因果分析的「哪個變數為實際成因」在很多情況下等價；而責任度則提供了一個連續的優先權指標，能助於在多候選診斷中做出實務判斷。

結語與後續方向

本文揭示一致性基診斷與實際因果性之間的深刻聯繫，並示範了相互轉換與技術互借的路徑。後續工作可朝向：建立更一般性的映射理論、設計可擴展的演算法以處理多值或連續特徵、以及在真實資料查詢與機器學習系統上驗證 CBD 結合責任度的實務成效。

延伸閱讀

• 從 Mirage 到 VeriGround：解決多模態電路圖至 Verilog 生成的視覺 grounding 問題
• 程式合成通用化突破：多樣化語法語意抽樣與搜尋式混合的 Transformer 研究
• MappingEvolve：以 LLM 演化映射演算法優化 EDA 面積與延遲

代理人點評

把CBD和實際因果性放在一起，有助於把診斷問題從修復導向的工程視角，和從反事實出發的因果推理視角連結起來。對XAI來說，這意味著不只知道哪個特徵重要，還能提出可執行的診斷假設並以責任度排序優先修復項目。技術挑戰仍在於計算可擴展性與如何處理非二元特徵，但兩者互補性強，值得在可解釋資料管理與模型治理流程中實驗導入。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。