arXiv cs.AI· Hendrik Stumpf, Francesco Quinzan·· 6 天前AI 评分22
CFGNP：无需因果图估计的摊销反事实预测
Amortized Counterfactual Prediction with Graph Neural Networks
AI 导读
研究者提出 Counterfactual Graph Neural Process（CFGNP），一种端到端方法，可直接从观测数据回答反事实查询，无需先估计因果图。
正文 · AI 翻译
摘要：反事实推断探讨的是，在不同情况下观察到的结果可能会如何不同，例如，如果患者接受了不同的治疗，他们是否本会康复。只要决策依赖于未被观察到的替代方案的结果，这类问题就会出现。回答反事实查询通常需要了解潜在的因果结构，而这在实践中往往无法获得。因此，一种常见的方法是先从观察数据中估计因果图，然后进行反事实推断。然而，估计出的因果图中的错误可能会传播到下游的反事实预测中。为应对这一挑战，我们引入了反事实图神经过程（CFGNP），这是一种端到端方法，可直接从观察数据中回答反事实查询，而无需先估计因果图。CFGNP 使用图神经网络（GNN）来利用双图结构，将跨世界消息传递限制在对应的实际—反事实变量之间。在合成基准和基于图像的基准上，CFGNP 的预测性能均强于现有方法，包括在 German Loan 基准上，其 MSE 从 $4.51 \times 10^{-2}$ 降至 $0.19 \times 10^{-2}$。此外，在合成因果图上，仅在 10 节点图上训练的模型无需重新训练，即可在多达 30 个节点的图上保持强劲的预测性能。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.13724 [cs.LG] |
| （或 arXiv:2610.13724v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.13724 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Hendrik Stumpf [查看电子邮件]
[v1]
2026年10月9日星期五 15:22:18 UTC（5,106 KB）
来源：arXiv cs.AI · arxiv.org