Graphes contrefactuels pour une classification explicable des réseaux cérébraux

Former des classificateurs de graphes capables de distinguer les cerveaux sains de ceux dysfonctionnels peut aider à identifier des sous-structures associées à des phénotypes cognitifs spécifiques. Cependant, le seul pouvoir prédictif du classificateur de graphes a un intérêt limité pour les neuroscientifiques, qui disposent de nombreux outils pour le diagnostic de troubles mentaux spécifiques. Ce qui importe, c'est l'interprétation du modèle, car elle peut fournir de nouvelles perspectives et de nouvelles hypothèses. Dans cet article, nous proposons des graphes contrefactuels comme moyen de produire des explications locales post-hoc de tout classificateur de graphes en boîte noire. Étant donné un graphe et une boîte noire, un contrefactuel est un graphe qui, tout en ayant une forte similarité structurelle avec le graphe d'origine, est classé par la boîte noire dans une classe différente. Nous proposons et comparons empiriquement plusieurs stratégies pour la recherche de graphes contrefactuels. Nos expériences avec un classificateur en boîte blanche ayant un contrefactuel optimal connu montrent que nos méthodes, bien qu'heuristiques, peuvent produire des contrefactuels très proches de l'optimal. Enfin, nous montrons comment utiliser des graphes contrefactuels pour construire des explications globales capturant correctement le comportement de différents classificateurs en boîte noire et fournissant des perspectives intéressantes pour les neuroscientifiques.