通过反事实遮蔽提升化学可解释性
机器学习
2025-08-27 v1
摘要
分子性质预测是指导新化合物（包括药物和材料）设计的关键任务。虽然可解释人工智能方法旨�通过识别具有影响力的分子亚结构来审查模型预测，但许多现有方法依赖去除原子或原子级特征的遮蔽策略，通过保真度指标评估重要性。这些方法然而往往无法遵循底层分子分布，从而产生不直观的解释。本文我们提出反事实遮蔽，一种新框架，该框架用从训练用于完成分子图的生成模型中抽样的化学合理片段替换被遮蔽的亚结构。我们不评估与不可信零化基线的遮蔽预测，而是相对于从数据分布中抽取的反事实分子进行评估。该方法提供了两个关键优势：（1）以分子真实性为基础，支撑稳健且分布一致的解释；（22）具有意义的反事实分子，直接指示结构修改如何影响预测性质。我们演示反事实遮蔽适用于基准测试模型解释器，跨越多个数据集和性质预测任务，产生更具可操作性的洞见。该方法搭建了可解释性与分子设计之间的鸿沟，为化学领域的可解释机器学习提供一条原则且生成的路径。
引用
@article{arxiv.2508.18561,
title = {Enhancing Chemical Explainability Through Counterfactual Masking},
author = {Łukasz Janisiów and Marek Kochańczyk and Bartosz Zieliński and Tomasz Danel},
journal= {arXiv preprint arXiv:2508.18561},
year = {2025}
}