基于图神经网络的摊销式反事实预测

反事实推断探究的是，在不同情境下，已观测到的结果可能会有何不同，例如，如果患者接受了另一种治疗，是否会康复。只要决策依赖于未被观测到的备选方案的结果，就会出现这类问题。回答反事实查询通常需要了解底层因果结构，而这在实践中往往无法获得。因此，一种常见方法是先从观测数据中估计因果图，再进行反事实推断。然而，估计因果图中的误差可能会传播至下游的反事实预测。为应对这一挑战，我们提出了 Counterfactual Graph Neural Process（CFGNP），这是一种端到端方法，无需预先估计因果图，即可直接根据观测数据回答反事实查询。CFGNP 使用图神经网络（GNN），通过将跨世界消息传递限制在相互对应的事实变量与反事实变量之间，来利用双图结构。在合成数据和基于图像的基准测试中，CFGNP 的预测性能均优于现有方法，包括在 German Loan 基准测试中，将均方误差（MSE）从 $4.51 \times 10^{-2}$ 降至 $0.19 \times 10^{-2}$。此外，在合成因果图上，仅使用 10 节点图训练的模型，无需重新训练，即可在最多包含 30 个节点的图上保持较强的预测性能。