反事实推断关注在未观察到的情境下，结果会如何变化，例如患者若接受不同治疗是否会康复。这类问题在决策依赖未观测备选方案结果时普遍出现。\ \ 传统做法先利用观测数据估计因果图，再基于该图进行反事实推断。然而，因果图的估计误差会直接传递到后续的反事实预测，导致性能下降。\ \ 为了解决此问题，我们提出 反事实图神经过程 (CFGNP)，一种端到端模型，直接从观测数据回答反事实查询，无需先构建因果图。CFGNP 采用图神经网络 (GNN)，利用双图结构，将跨世界的信息传递限制在对应的事实‑反事实变量之间，从而保留因果关系的关键约束。\ \ 在合成数据集和基于图像的基准上，CFGNP 的预测精度显著优于现有方法。特别是在 German Loan 基准上，均方误差 (MSE) 从 $4.51 \times 10^{-2}$ 降至 $0.19 \times 10^{-2}$。\ \ 此外，在合成因果图实验中，模型仅在 10 节点图上训练，却能够在不重新训练的情况下，对最多 30 节点的图保持强预测性能，展示了良好的摊销能力。\ \ 点评：CFGNP 通过消除因果图估计环节，实现了更稳健的反事实预测，并在跨规模图上展现出优秀的泛化性，为实际决策场景提供了更可靠的工具。