GNN 解释器从标签空间到原型表征空间的范式转变

基于摘要分析。本文研究实例级事后 GNN 解释：为输入图提取包含关键组件的紧凑子图。作者提出 IDEA 双阶段优化框架，将解释器的优化目标从图标签空间中的预测对齐，转向原型图表征空间中的分布对齐，以更充分地利用结构信息。 核心机制：作者认为，仅对齐原图与解释子图的分类预测，难以表达多样的图结构；直接采用图表征又面临解释性与非解释性子结构相互纠缠、原图与子图分布不一致的问题。IDEA 首先在 Structural Information Disentanglement 阶段使用带有结构感知解耦目标的 graph tokenizer，将解释性子结构解耦并封装为解释性原型；随后在 Explanatory Prototype Alignment 阶段，于统一的原型表征空间对齐原图和解释子图的表征分布，以优化解释器。具体损失形式、原型构造与更新方式、训练流程尚未验证。 结果：作者报告，在真实与合成数据集实验中，ROC-AUC 和 precision 的平均提升分别为 4.45% 和 48.71%；结合不同解释器架构时，提升最高为 10.70%。摘要未提供数据集名称、划分协议、对照基线、百分比增益的计算方式，以及最后一项提升对应的指标，因此不能将这些数值解释为百分点，也不能直接比较不同实验。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 已被构造成通道或脑区关系图，且已有训练好的图级 GNN，原型对齐可能用于研究仅保持预测一致的解释是否遗漏结构信息；这不是已验证的 BCI 效果。可复用的是解释器优化与原型对齐机制，需改造的是图构建、节点特征及结构解耦目标。该方法依赖可学习的图结构与表征，监督方式和所需规模仍需核对；低信噪比、跨被试连接差异、通道配置变化及小数据可能使原型编码伪相关结构。 一个可检验的小实验是在固定 EEG 图构建方式、相同 GNN 和解释器、相同子图预算及跨被试划分下，对比原解释器与加入 IDEA 后的解释忠实度和稳定性，并检查原型是否主要反映被试或通道差异。相关 EEG 工作尚未检索确认；代码可用性与具体复现条件尚未验证。