本研究提出了一种新方法，通过潜在空间遍历生成图形分类模型的高质量反事实解释。该方法结合了离散图结构与连续图属性，实验结果在三个数据集上表现优异，且具有强鲁棒性。

本研究比较了基础模型与端到端训练在有丝分裂图形分类中的有效性。结果表明，端到端模型在不同数据量下均优于基础模型，且在领域转移方面表现更佳，推翻了之前的假设。

本文通过实验研究测试了十种解释器在六个图形和节点分类数据集上的表现，提供了GNN解释器选择和适用性的关键见解，并提供了关于如何避免常见解释误区的建议，强调了未来研究的开放性问题和方向。