DeepProbLog과 같은 신경 기호 시스템 (Neurosymbolic systems)은 신경 인지 (neural perception)와 확률 논리 (probabilistic logic)를 결합하지만, 표준 추론 (standard inference)은 연관적 (associational)입니다. 반사실적 추론 (Counterfactual reasoning)은 개입 (interventions)과 증거 (evidence)를 위한 인과적 의미론 (causal semantics)을 추가로 요구합니다. 우리는 DeepProbLog 프로그램을 위한 단일 세계 반사실적 의미론 (single-world counterfactual semantics)인 DeepSWIP를 소개합니다. 신경 실체화 (neural materialization)를 사용하여, 우리는 고정된 문맥의 신경 술어 (neural predicates)를 일반적인 ProbLog 선택 (choices)으로 축소하고, 단일 세계 개입 프로그램 (Single World Intervention Programs, SWIPs)을 적용하며, 단일 변환된 프로그램에 대한 가중 모델 카운팅 (weighted model counting, WMC)을 통해 반사실적 추론 (counterfactuals)을 계산합니다. 유한한 그라운딩 (finite grounding) 및 고유 지원 모델 (unique-supported-model) 가정 하에서, DeepSWIP는 학습된 실체화된 FCM (materialized FCM)에 대해 정확합니다. ProbLog 조건문의 표준 quotient-WMC 형태는 활성 신경 확률 (active neural probabilities)을 식별하고 개입 정화 (intervention cleaning), 교정 민감도 (calibration sensitivity), 그리고 희귀 증거 불안정성 (rare-evidence instability)을 설명합니다. MPI3D에 대한 실험은 예측된 대로 12,000개의 쿼리에 대해 DeepTwin 구축과 비교하여 변환의 유효성을 확인하였으며, Twin의 내생적 중복 (endogenous duplication)을 피함으로써 2.14배의 추론 속도 향상을 확인했습니다. SUMO HOV 실험은 신경 교정 저하 (neural calibration degradation)가 플러그인 추정치 (plug-in estimates)에 편향을 일으키는 반면, 올바르게 범위가 지정된 무작위 정책 AIPW 추정기 (randomized-policy AIPW estimator)는 모집단 평균 (population mean) 및 ATE 추정량 (ATE estimands)에 대한 대부분의 1차 편향 (first-order bias)을 제거함을 보여줍니다. 코드는 https://github.com/saibib/deep_SWIP 에 있습니다.