CFGNP：不先估因果图，端到端做反事实预测
论文AI 评分 62/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇 arXiv 论文提出 Counterfactual Graph Neural Process（CFGNP），用图神经网络直接从观测数据回答反事实查询，跳过先估计因果图这一步，以避免因果图估计误差向下游预测传播。方法利用双图结构，把跨世界消息传递限制在对应的真实—反事实变量之间。在合成与图像类基准上，其预测表现优于已有方法；在 German Loan 基准上 MSE 从 4.51×10⁻² 降至 0.19×10⁻²。在合成因果图上，仅在 10 节点图上训练的模型无需重训即可在最多 30 节点的图上保持较好表现。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
反事实推断关心的是：在另一种情形下，已观测到的结果会不会不同，例如患者若接受另一种治疗是否会康复。这类问题出现在决策依赖未观测备选结果的场合。要回答反事实查询，通常需要知道底层的因果结构，而实际中这一结构往往拿不到。常见做法是先从观测数据估计因果图，再做反事实推断。问题在于，因果图估计中的误差会传播到下游的反事实预测里，影响最终结果的可信度。论文正是针对这一误差传播链条提出替代方案。
方法思路
作者提出 Counterfactual Graph Neural Process（CFGNP），把反事实查询的作答直接建立在观测数据之上，不再先做因果图估计这一步。它借助图神经网络来利用数据中的双图结构，关键约束是把跨世界的消息传递限定在相互对应的真实变量与反事实变量之间。这样既保留了图结构带来的建模能力，又避免了对因果图估计质量的依赖，从而减少误差从图估计环节向下游预测的传导。
实验表现
论文在合成基准与图像类基准上做了对比，CFGNP 的预测表现强于已有方法。在 German Loan 基准上，其 MSE 由 4.51×10⁻² 降至 0.19×10⁻²。另一项结果与图规模泛化有关：在合成因果图上，只在 10 节点图上训练的模型，无需重新训练，就能在节点数最多到 30 的图上维持较强的预测表现。这说明模型学到的能力在一定程度上可以迁移到更大规模的图上。
为什么值得看
反事实推断常受因果图估计误差拖累，该工作给出免估图的端到端替代路径，并附跨图规模泛化证据。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。