通过潜空间解耦生成回归反事实解释

基于摘要分析。本文研究预训练回归器的反事实解释：如何改变输入，使预测达到预设目标，同时尽量保留原样本特征并生成现实、可操作的解释。核心方法是在潜空间中分离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，生成反事实样本；主要研究对象是图像和表格数据上的回归问题，并非 BCI。 机制上，该方法试图保留不必随目标改变的样本属性，将反事实变化集中于与目标相关的特征。摘要未提供解耦约束、损失形式、生成模块及预训练回归器的接入方式，尚不能判断其如何保证两类潜变量的分离，也不能将潜空间解耦直接视为因果识别。 作者报告，在图像和表格回归实验中，该方法能够在反事实搜索时保留查询样本特征，在多种质量指标上具有竞争力；相较三种作者称为先进方法的对照，能够高效返回更接近原始数据流形的结果。具体数据集、划分、基线名称、指标数值、效率测量、消融及统计信息尚未验证。接近数据流形并不自动保证建议可执行，仍需核对不可变属性、可操作约束和目标达成情况。摘要仅表示拟在论文发表时开放代码，当前发布状态尚未验证。 平台推测（待验证）：若用于 EEG 连续指标预测，可将其作为解释工具，检验改变预测时能否保留与目标无关的个体或记录属性，而非直接作为解码性能提升方法。该迁移假设依赖足够的连续标签与能表征 EEG 变化的数据；可复用潜空间解耦和目标条件生成思路，但需改造时序表示及生理可行性约束。低信噪比、跨被试差异、通道变化和小数据可能使标签因素与伪迹纠缠。一个小规模可证伪实验是在固定数据划分与回归器下，比较该方法和输入空间反事实搜索的目标达成率、非目标属性保持及信号可行性；若目标变化主要依赖伪迹，则不支持迁移假设。已有 EEG 相关工作尚未检索确认。