用于脑网络可解释分类的反事实图

训练能够区分健康大脑与功能失调大脑的图分类器，有助于识别与特定认知表型相关的子结构。然而，对于拥有大量特定精神障碍诊断工具的神经科学家而言，图分类器单纯的预测能力兴趣有限。重要的是对模型的解释，因为它能提供新颖的见解与新的假设。在本文中，我们提出“反事实图”作为一种对任意黑盒图分类器生成局部事后解释的方法。给定一个图与一个黑盒，反事实图是一个与原始图具有高度结构相似性、却被黑盒分类为不同类别的图。我们提出并经验性地比较了若干反事实图搜索策略。我们针对具有已知最优反事实的白盒分类器进行的实验表明，尽管我们的方法是启发式的，却能生成非常接近最优的反事实。最后，我们展示了如何使用反事实图构建全局解释，以正确捕捉不同黑盒分类器的行为并为神经科学家提供有趣的见解。