通过潜空间遍历实现图反事实可解释 AI

基于摘要分析。本文研究图分类器的反事实解释：寻找接近原输入、位于数据分布内且能使预测按预设方向改变的替代图。作者提出利用针对具体应用构建的置换等变图变分自编码器，在连续潜空间中跨越分类边界，为可微黑盒图分类器生成反事实解释。 核心问题是图结构的离散性与分类模型的连续计算之间存在差异，同时节点重编号不应改变图的语义。方法通过潜空间遍历衔接离散图结构与连续图属性，并以置换等变机制处理节点排列。摘要未说明“最近”替代图的具体距离定义，也未提供自编码器损失、潜空间搜索目标、解码约束或分布内有效性的检验方式；这些均需全文核对。 作者报告，在三个图数据集上，该方法持续表现良好，且比对照基线更稳健。摘要未给出数据集名称、划分方式、基线名称、指标数值或稳健性测试条件，因而尚不能判断优势的幅度与适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务以通道为节点、连接关系为边构建图，并已有可微图分类器，该机制可能用于解释哪些连接或节点属性变化会改变预测，而非直接提高解码性能。可复用的是潜空间搜索与分类边界跨越机制；需改造的是图距离、通道身份约束以及生理可行性约束。通道具有固定空间含义，任意置换不能等同于任意生理替换；低信噪比、跨被试差异和小数据还可能使生成图偏离真实分布。一个可检验的小实验是在固定被试内划分下，对已有 EEG 图分类器生成反事实，分别核对预测改变率、图改动幅度和生理约束满足程度，并与直接修改边或节点属性的搜索方法比较。原领域结果不等于 BCI 有效性，已有 EEG 相关工作尚未检索确认。