基于图神经网络的摊销反事实预测

基于摘要分析。本文研究如何直接从观测数据预测未发生情境下的反事实结果，提出 Counterfactual Graph Neural Process（CFGNP），以端到端预测避免显式估计因果图这一中间步骤，旨在减少因果图估计误差向下游预测的传播。 核心机制是利用事实世界与反事实世界的双图结构，通过 Graph Neural Networks（GNNs）进行信息传递，并将跨世界消息传递限制在相对应的事实—反事实变量之间。这里“不先估计因果图”不等于无需因果假设；模型依赖何种训练监督、任务分布与反事实可识别性条件，摘要尚未说明。 作者报告，在合成及基于图像的基准上，CFGNP 的预测性能优于既有方法。其中，在 German Loan 基准上，作者报告 MSE 从 4.51 × 10⁻² 降至 0.19 × 10⁻²；摘要未明确该数值对应的比较方法、数据划分及不确定性，需结合全文核对。作者还报告，在合成因果图实验中，仅用 10 节点图训练的模型，无需重新训练即可在最多 30 节点的图上保持较强预测性能，但摘要未提供该泛化实验的具体误差。 复现需核对双图构造、观测数据与反事实监督的来源、训练和测试任务划分，以及图规模变化时其他生成条件是否保持一致。实验协议、消融及统计信息尚未验证。本文主要贡献属于通用反事实预测方法，材料未提供 EEG 或 BCI 验证，已有 EEG 相关工作尚未检索确认，不能将其原领域结果视为 BCI 有效性的证据。