UNR-Explainer：面向无监督节点表示学习模型的反事实解释

基于摘要分析。该研究针对无监督节点表示学习缺少解释方法的问题，提出 UNR-Explainer：通过扰动图中的子图，寻找会显著改变目标节点在嵌入空间中 k 近邻的关键子图，为理解无监督表示及其下游用途提供反事实解释。 其核心是以嵌入空间的近邻关系变化作为解释依据，而非依赖监督分类标签或类别预测变化。方法采用 Monte Carlo Tree Search（MCTS）搜索反事实解释；摘要将 top-k 链接预测和聚类列为这类解释可帮助理解的下游任务，但未交代具体扰动操作、搜索目标、近邻变化度量及解释规模约束，相关实现尚未验证。 作者报告，该方法在六个数据集上、针对无监督 GraphSAGE 和 DGI 均取得了性能提升。摘要未提供数据集名称、划分、对照基线、指标或提升幅度，因此尚不能判断提升主要体现于解释忠实性、紧凑性还是其他维度。实验协议、消融及统计信息尚未验证，复现还需核对表示模型训练方式、扰动后表示的计算流程及 MCTS 搜索预算。 平台推测（待验证）：若 EEG 已被构建为通道或脑区关系图，并使用无监督图表示学习，该机制或可用于检验哪些连接子图影响节点的近邻结构。可复用部分是近邻变化判据与 MCTS 搜索框架；需改造图构建和符合信号含义的扰动约束。低信噪比、跨被试连接差异及通道配置变化可能使解释反映图构建噪声，而非稳定的神经信息。一个小规模可检验假设是：在固定 EEG 图表示模型与数据划分下，搜索所得子图的扰动比等规模随机子图更显著地改变近邻集合，且在重复测量中具有稳定性；这不等同于证明 BCI 解码获益。已有 EEG 相关工作尚未检索确认。