MPGE：用于分子分类解释的多视角图解释器

基于摘要分析。该研究针对分子图分类中“哪些信息支持预测”与“哪些修改改变或不改变预测”并不等价的问题，提出 Multi-Perspective Graph Explainer（MPGE），为冻结的分类器统一生成事实支持、反事实敏感性和示例容忍性三类解释。 事实视角原称 prototype（PT），寻找保持原标签并满足置信度要求的紧凑保留边集；counterfactual（CF）视角寻找受限的、能够改变预测的删边操作；exemplar（EXE）视角寻找非平凡且受限、仍保持标签与置信度的删边操作。三者共享关联预测行为、紧凑性与编辑代价的约束框架，但采用不同目标。作者将 CF-GNNExplainer 扩展到图分类，学习对称边排序并验证离散候选，同时记录未成功的搜索；另设 BBBP fragment 后端，返回通过 RDKit 化学有效性检查的分子。 作者报告，主要 GCN 实现在 MUTAG、Mutagenicity、AIDS、COX2_MD 和 BBBP 上按语义覆盖率、条件质量、稳定性与运行时间评估：各数据集中成功的事实掩码平均保留输入边的 8.6%–15.5%；受限反事实覆盖率为 4.8%–67.6%；示例保持覆盖率为 98.9%–100.0%。这些数值对应不同解释目标，不能直接作为同一指标比较；事实掩码比例还以搜索成功为条件。作者报告，探索性对照揭示了硬投影与保留节点信息的影响，但摘要未提供具体对照数值。实验划分、约束阈值、指标定义、消融及统计信息尚未验证。作者明确不将模型解释视为已验证的化学机制。 平台推测（待验证）：若 EEG 分类器以通道或脑区关系构图，三视角框架可能用于区分支持判别的连接、导致预测翻转的连接及可删除的冗余连接。可复用解释目标与离散候选验证流程，但需改造图定义和编辑约束；分子有效性检查不能直接迁移。假设风险包括低信噪比、跨被试连接差异、小数据下分类器不稳定，以及节点特征保留使删边解释偏离预期。可先在固定划分和冻结 EEG 图分类器上，比较三类删边与等预算随机删边的预测变化及重测稳定性。已有 EEG 相关工作尚未检索确认。