XPlore：图神经网络的全空间反事实解释

XPlore 针对图神经网络（GNNs）的黑箱解释问题，通过梯度引导联合扰动邻接矩阵与节点特征矩阵，扩大反事实解释的搜索空间。基于摘要分析，其主要研究对象是一般图预测模型，应用背景包括分子毒性预测、药物发现和金融欺诈检测，并非 EEG 或 BCI 验证。 机制上，作者将边插入与节点特征扰动纳入统一的梯度优化框架，区别于主要依赖删边的既有扰动方法。作者还提出基于学习所得图嵌入的余弦相似度指标，用于评价结构与语义保真度。摘要未给出具体损失、离散图修改方式、特征约束或最小性定义，因此尚不能判断解释是否满足原领域的可行性约束，也不能将嵌入相似直接等同于语义正确。 作者报告，在 13 个真实世界和 5 个合成基准上，相较所比较的先进基线，validity 最高提升 +56.3%，fidelity 最高提升 +52.8%，同时保持有竞争力的运行时间。摘要未明确这些百分比的计算口径、对应数据集及具体基线，不能改写为百分点或跨任务平均增益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分类器以通道或脑区为节点、以连接关系为边，该机制或可用于分析哪些连接与节点特征变化会改变预测。可复用的是联合反事实搜索框架；需改造的是连接约束、特征可行域及保真度评价。低信噪比、跨被试差异、通道配置变化和小数据可能使解释追随伪相关，图上的可修改性也不代表生理可实现性。一个可检验的小实验是在固定 EEG 图分类器和相同数据划分下，对比仅删边与联合扰动，核对预测翻转、扰动规模及重采样后的解释稳定性。已有 EEG 相关工作尚未检索确认。