DeepSWIP：用于神经概率逻辑程序的商加权模型计数反事实

神经符号系统（如 DeepProbLog）结合了神经感知与概率逻辑，但标准推断仅具关联性。反事实推理需引入干预和证据的因果语义。本文提出 DeepSWIP，为 DeepProbLog 程序提供单世界反事实语义。通过神经实例化，将固定上下文的神经谓词转化为普通 ProbLog 选择，应用单世界干预程序（SWIP），并在转换后的单一程序上通过加权模型计数（WMC）计算反事实。实验表明该方法在保持精确性的同时显著提升了推断速度，并有效解决了神经校准退化导致的偏差问题。