通过潜空间遍历实现图反事实可解释人工智能

基于摘要分析。本文研究图分类器的反事实解释：寻找接近原始输入、仍处于数据分布内、且预测按预设目标改变的替代图。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，通过潜空间遍历跨越分类器的决策边界，为可微黑盒图分类器生成反事实解释。 核心机制是将图映射到连续潜空间，在其中进行遍历，再生成包含离散结构与连续属性的替代图，以应对图结构离散性及节点置换带来的困难。该方法依赖可微图分类器和适配具体图数据的自编码器；“黑盒”不应直接理解为仅能查询输出、无需任何可微信息。摘要未说明最近替代图的距离定义、潜空间搜索目标、损失形式，以及如何约束生成图的有效性和分布内性质，这些内容尚未验证。 作者报告，在三个图数据集上，该方法持续表现较好，且比对照基线更具鲁棒性。摘要未提供数据集名称、划分、基线、指标、数值及鲁棒性测试方式，因此不能据此判断优势幅度或适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分类输入已表示为通道或脑区连接图，该机制可能用于分析哪些连接或节点属性变化会改变预测，但这不等同于解释原始 EEG 的生理因果关系。可复用部分是图潜空间生成与反事实搜索；需要改造图构建方式、属性约束及符合信号特性的距离定义。低信噪比、跨被试连接差异、通道配置变化和小数据条件可能使生成图偏离有效分布。一个可检验的小实验是固定 EEG 图构建流程与分类器，在严格分离的训练和测试被试上，比较潜空间方法与直接图编辑基线的预测翻转率、编辑距离及图有效性，并检查解释对输入扰动的稳定性。已有 EEG 相关工作尚未检索确认。