研究论文题目: 因果推理比概率推理更难吗？摘要: 在适当的形式语言下，统计和因果推断中的许多任务可以被解释为“蕴涵”问题。我们问：从计算的角度来看，这些问题对于“因果”概率语言是否比纯概率（或“联想性”）语言更难处理? 尽管因果推理在表达和推理方面的复杂性有许多意义，但我们证明，因果蕴涵（或可满足性）问题可以被系统地和稳健地规约为纯粹的概率问题。因此，在计算复杂度方面不存在跳跃。顺便说一下，我们回答了几个关于已知概率逻辑复杂性的问题，特别是展示了一个多项式概率演算的 $\exists\mathbb{R}$ -完全性，以及一个看似简单得多的系统，即比较条件概率的逻辑。 (Is Causal Reasoning Harder than Probabilistic Reasoning?)

翻译：研究论文题目: 因果推理比概率推理更难吗？摘要: 在适当的形式语言下，统计和因果推断中的许多任务可以被解释为“蕴涵”问题。我们问：从计算的角度来看，这些问题对于“因果”概率语言是否比纯概率（或“联想性”）语言更难处理? 尽管因果推理在表达和推理方面的复杂性有许多意义，但我们证明，因果蕴涵（或可满足性）问题可以被系统地和稳健地规约为纯粹的概率问题。因此，在计算复杂度方面不存在跳跃。顺便说一下，我们回答了几个关于已知概率逻辑复杂性的问题，特别是展示了一个多项式概率演算的 $\exists\mathbb{R}$ -完全性，以及一个看似简单得多的系统，即比较条件概率的逻辑。

Milan Mossé,Duligur Ibeling,Thomas Icard

Many tasks in statistical and causal inference can be construed as problems of \emph{entailment} in a suitable formal language. We ask whether those problems are more difficult, from a computational perspective, for \emph{causal} probabilistic languages than for pure probabilistic (or "associational") languages. Despite several senses in which causal reasoning is indeed more complex -- both expressively and inferentially -- we show that causal entailment (or satisfiability) problems can be systematically and robustly reduced to purely probabilistic problems. Thus there is no jump in computational complexity. Along the way we answer several open problems concerning the complexity of well known probability logics, in particular demonstrating the $\exists\mathbb{R}$-completeness of a polynomial probability calculus, as well as a seemingly much simpler system, the logic of comparative conditional probability.

翻译：翻译后的标题：因果推理比概率推理更难吗？翻译后的摘要：在适当形式的语言中，统计学和因果推断中的许多任务都可以看作是关于“蕴含”的问题。文章探讨了关于从计算角度来看，“因果”概率语言的问题是否比纯概率语言更难处理的问题。尽管因果推理在表达和推理方面具有多种复杂性，但我们证明，因果蕴涵问题可以被系统而且稳健地系统地化归为纯粹的概率问题。因此，从计算复杂度方面来说，并不存在跳跃。在研究中，我们还回答了有关众所周知的概率逻辑复杂性的几个开放问题，特别是证明了多项式概率演算的 $\exists\mathbb{R}$ -完全性，以及一个看似简单得多的比较条件概率逻辑系统。