nuget
DeepLIFT 归因结果
DeepLIFTResult
00 Remarks
归因分数 C 是有符号的：正数表示该节点把样本推向"转移性 / 耐药"， 负数表示推向"原发性"。
节点本身的有符号激活 a ∈ [-1, 1] 与跨样本聚合之后的重要性 C_i,l = Σ_s |C_i,l^s| 是解耦的：前者回答"它把样本往哪个方向推"， 后者回答"它有多重要"。
01 Syntax
SMRUCC.genomics.Analysis.HTS.P_NET.DeepLIFTResult
02 Methods
| Name | Overloads | Summary |
|---|---|---|
| ConservationError | 1 | 校验 DeepLIFT 的可加性守恒性质 |
03 Properties
| Name | Overloads | Summary |
|---|---|---|
| Model | 1 | 被解释的模型 |
| Labels | 1 | 样本标签数组，可能为 Nothing |
| LayerContributions | 1 | 逐层逐样本的节点贡献分数，索引顺序为 [层][样本][节点] |
| LayerActivations | 1 | 逐层逐样本的有符号激活值，索引顺序为 [层][样本][节点] |
| InputContributions | 1 | 输入特征上的贡献分数，索引顺序为 [样本][特征] |
| DeltaOutput | 1 | 每一个样本上模型输出相对于参考态的变化量 Δt = p - p0 |
| SampleCount | 1 | 样本数量 |
| LayerCount | 1 | 网络层数 |
04 Members
ConservationError
校验 DeepLIFT 的可加性守恒性质
Remarks
DeepLIFT 保证目标输出的总差分恰好等于某一层所有节点贡献分数之和 （在 P-NET 的多预测头结构中，这一层指的是最精细的基因层以及其下的输入层）。 这是"逐层读出基因 / 通路重要性"在数学上能够成立的前提。
Returns
输入层归因分数之和与 Δt 之间的平均绝对误差； 该值应当非常接近 0，说明分数在逐层反传的过程中没有泄漏
Model
被解释的模型
Returns
P-NET 模型
Labels
样本标签数组，可能为 Nothing
Returns
标签数组
LayerContributions
逐层逐样本的节点贡献分数，索引顺序为 [层][样本][节点]
Returns
三维锯齿数组
LayerActivations
逐层逐样本的有符号激活值，索引顺序为 [层][样本][节点]
Returns
三维锯齿数组
InputContributions
输入特征上的贡献分数，索引顺序为 [样本][特征]
Remarks
这里的归因结果可以直接用于论文图 3 的 Sankey 图： 即揭示"改变类型 → 基因"的对应关系（例如 AR 主要由扩增驱动、 TP53 主要由突变驱动、PTEN 主要由缺失驱动）。
Returns
二维锯齿数组
DeltaOutput
每一个样本上模型输出相对于参考态的变化量 Δt = p - p0
Returns
差分数组
SampleCount
样本数量
Returns
样本数
LayerCount
网络层数
Returns
隐藏层数量