基于图神经网络的摊销式反事实预测

arXiv:2610.13724v1 公告类型：新论文 摘要：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，患者如果接受另一种治疗是否会康复。当决策依赖于未被观测到的备选方案的结果时，就会出现此类问题。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，一种常见方法是先根据观测数据估计因果图，再进行反事实推断。然而，估计因果图中的误差可能会传递至下游反事实预测。为应对这一挑战，我们提出 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 利用图神经网络（GNN），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，从而利用双图结构。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，其中，在 German Loan 基准测试中，它将均方误差（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，即可在节点数多达 30 的图上保持出色的预测性能。