چکیده
بیان دلایل وقوع یک نتیجهٔ خاص و تعیین ورودیهایی که مسئول یا مورد قدردانی آن هستند، در قلب تحلیلهای فلسفی، علمی و سیاستگذاری قرار دارد. ابزارهای موجود را میتوان به دو دسته تقسیم کرد. نظریهٔ علیت واقعی (AC) تصمیمگیریهای اصولی ارائه میدهد، اما تنها برای مدلهای کوچک (تعاملی) کاربرد دارد، زیرا محاسبات آن نیازمند شمارش سناریوهای ضدواقعی است. روشهای نسبتدهی مقیاسپذیر مانند SHAP (یا حتی causal SHAP) حداقل بهطور جزئی ساختار علیتی را که دادهها را تولید کرده نادیده میگیرند و ممکن است پاسخهایی ارائه دهند که با یک تحلیل علیتی دقیق در تعارض باشند. ما این شکاف را با تأثیر علیت احتمالی (PCI) پر میکنیم. PCI بر نظریهٔ علیت واقعی و مفاهیم پرل از احتمال ضرورت و کفایت بنا شده است، اما سؤال قابلیت توضیح را به یک مسئلهٔ تخمین روی مدل علیتی احتمالی بازتعریف میکند که بهراحتی با تقریب زا مونت کارلو قابل محاسبه است. با مشخص کردن یک توزیع روی «توضیحات کاندید»، یک توزیع روی مقادیر ضدواقعی، و یک تابع امتیازدهی، PCI توضیحاتی قابل حل، مبتنی بر علیت و درجهدار ارائه میدهد و AC و احتمال علیت پرل را به عنوان حالات تخریبی تعمیم میدهد. ما PCI را در مثالهای مصنوعی و واقعی ارزیابی میکنیم، شامل بررسیهای سازگاری با AC، آزمایشهای مقیاسپذیری، سیستمهای دینامیکی پیچیده با مقادیر پیوسته، و یک مدل یادگیری ماشین علیتی عملیاتیشده در دنیای واقعی که بر روی میلیونها نقطهٔ داده آموزش دیده است.