تعتبر اختبارات العينات (Two-Sample Testing) حجر الزاوية في اكتشاف الفروقات التوزيعية عبر مجالات العلم المختلفة. ومع ذلك، فإن الاختبارات التقليدية، بما في ذلك الاختبارات المعتمدة على النوى (Kernel-based Tests)، قد تفشل في تحليل البيانات ذات الأبعاد العالية المعقدة مثل الصور. هنا يأتي دور الاختبارات العميقة للعينات، التي تسهم في تحسين الحساسية في مثل هذه السياقات من خلال تعلم تمثيلات مفيدة.

إلا أن هذه الأساليب تظل محدودة في تقديم رؤى حول العوامل التي تؤدي إلى رفض الفرضية الصفرية ($H_0$). لمعالجة هذه المسألة، اقترح الباحثون إطار عمل للتفسيرات المضادة (Counterfactual Explanations) يهدف إلى إنتاج تعديلات على مستوى العينات تنقل الملاحظات من مجموعة مصدر إلى مجموعة هدف، مع تقليل التباين المقاس بواسطة الاختبار بشكل صريح.

يجمع هذا الأسلوب بين مخزن التشتت (Diffusion Autoencoder) ونموذج اختبار عينات عميق مُسبق التدريب، مع تحسين هدف التباين الأقصى (Maximum Mean Discrepancy - MMD) في مجال تمثيل نموذج الاختبار لإنتاج أمثلة منطقية مضادة.

تم تقييم هذه الطريقة على مجموعات بيانات شكل ثنائية الأبعاد (2D Shape Datasets) ومجموعتين من صور الرنين المغناطيسي (MRI Cohorts). وتبين أن التحولات المضادة تساعد بشكل مستمر على زيادة قيم الاحتمالات (p-values) مقارنة بالعناصر الأصلية، مما يشير إلى أن مجموعة المصدر المعدلة تصبح أقرب إحصائيًا إلى توزيع الهدف خلال الاختبار. قمنا أيضًا بقياس التقدير باستخدام LPIPS لضمان بقاء التفسيرات المضادة قريبة من العناصر الأصلية. وهذا يوفر أدلة تفسيرية حول الميزات المرتبطة بالفروقات المجموعة المكتشفة، حيث كانت التغيرات المحلية في صور الرنين المغناطيسي متسقة مع الفروقات التشريحية المعروفة بين المجموعات.

إن هذه الأبحاث تعزز وضع التفسيرات المضادة كأداة قوية لفهم البيانات المهيكلة، مما يفتح آفاقًا جديدة أمام الباحثين والممارسين لفهم الفروقات بين الأنماط المختلفة بشكل أعمق.