反事实预测不再先估因果图：图神经网络直接读观测样本，10节点训练可外推到30节点

反事实预测不再需要先估一张因果图再往下算，而是直接从观测样本给出反事实分布。 此前的做法是先由观测数据估计因果图，再用该图做反事实推断；而因果图搜索空间随变量数超指数增长，选错图还会把误差放大到下游反事实。 在 Triangle、M-shape、German Loan 等合成基准上，CFGNP 在几乎所有变体上都优于需要完整因果图的 VACA、BGM 和只需拓扑序的 CFM；German Loan 上 CFGNP 的 MSE 低于 CFM，但在 M-shape 的 LIN 变体上 MSE 高于 BGM。

模型把观测样本、事实观测和反事实条件放进同一张图里做消息传递，让信息只在对应的真实变量与反事实变量之间跨世界流动。 它用神经过程把一组观测映射到预测分布，再叠加图神经网络，把反事实双图的结构约束直接写进预测，而不是先固定一张估计出来的图。 在 CheXpert 胸片数据上，CFGNP 在年龄上的 MAE 低于 DeepBC，在疾病等分类变量上 ROC-AUC 高于 DeepBC 和 VCI；合成图上，只在 10 节点训练的模型在最多 30 节点上仍保持较强预测，但 Log-sum-exp 和 Sqrt-sum 机制下弱于逐尺寸重训。

这项工作展示的是在因果图未知时直接从观测样本预测反事实分布的能力，评估覆盖 Triangle、M-shape、German Loan 等合成基准、随机生成的递增规模因果图，以及 CheXpert 胸片图像基准。适合关注因果推断、图神经网络和医学图像反事实生成的读者。作者提出后续可以把关于因果图存在与否的先验、甚至边上的简单分布纳入模型。

作者指出，所需观测上下文会同时增加训练和推理成本；当反事实分布不可识别时，CFGNP 无法恢复真实分布，作者说明这一点同样适用于基线方法。CheXpert 上缺少真实反事实，评估依赖分类器判断生成图像是否具备目标属性，图像只做定性比较。