通过潜在空间解耦生成回归任务的反事实解释

基于摘要分析。本文研究如何为预训练回归器生成反事实解释（Counterfactual Explanations，CEs），即寻找能够使预测值达到用户期望目标的输入变化。不同于主要面向分类决策翻转的反事实方法，作者提出先在潜在空间中解耦标签相关与标签无关维度，再将标签无关维度与预设输出结合，生成面向连续预测目标的反事实样本。 其核心思路是在改变目标相关因素时保留查询样本的其他特征，并利用潜在空间搜索使生成结果更贴近原始数据流形。摘要未提供解耦约束、损失函数、编码与生成结构，以及预训练回归器如何参与优化等细节；反事实的真实性与可行动性是研究动机，但不能据此认定其已满足因果或实际干预约束。 作者报告，在图像与表格数据的回归实验中，该方法在不同质量指标上具有竞争力；相较三种被作者称为当前先进方法的对照，能够高效返回更接近原始数据流形的结果，并在搜索过程中保留查询样本特征。摘要未列明数据集、划分、基线名称、指标数值或运行时间，实验协议、消融及统计信息尚未验证。摘要仅承诺在论文发表后开放代码，不能据此认定代码已经可用或论文已经发表。 平台推测（待验证）：若应用于 EEG 连续目标预测，其潜在对应点是区分预测目标相关因素与个体背景或噪声因素，而非直接提供 BCI 解码算法。迁移依赖可用于学习解耦表示的 EEG 数据及连续目标监督，需改造输入表示、生成模块与生理合理性约束；低信噪比、被试差异、通道变化和小样本可能导致错误解耦，生成可改变预测但不具生理意义的样本。一个可检验的小实验是在固定 EEG 回归器与被试独立划分下，比较该方法和输入空间反事实搜索的目标达成误差、输入改变量及信号合理性，检验潜在空间搜索是否真正带来收益。已有 EEG 相关工作尚未检索确认。