时间序列显著性图：跨多个域解释模型

基于摘要分析。该研究针对时间域显著性图难以揭示时间序列在其他表示域中的语义特征这一问题，提出 Cross-domain Integrated Gradients，将 Integrated Gradients 推广到可由时间域通过可逆、可微变换得到的表示域，以解释模型依赖的频率或其他结构。 方法上，作者将归因推导扩展到复数域，从而支持频率域归因，并称其保留路径独立性与完备性。这里的“跨域”指信号表示域之间的转换，而非跨被试或跨数据集的域适应。具体变换、归因基线、积分路径及上述性质的成立条件，需结合全文核对。 作者报告通过受控机制实验、定量忠实性测试、扰动稳定性测试及真实场景案例进行验证。案例涵盖可穿戴设备心率提取、基于 EEG 的癫痫检测和 zero-shot forecasting；作者报告，该方法能够揭示预测依赖的是心率频率还是干扰、癫痫相关来源还是伪迹，以及趋势还是季节性成分，补充时间域显著性图未能呈现的模型行为。摘要未提供数据集、被试规模、划分协议、对照配置及定量结果，实验协议、消融及统计信息尚未验证。 作者称已发布支持 TensorFlow、原生 PyTorch 和 Captum 的开源库，但当前材料未提供代码地址或复现配置。该工作已包含 EEG 案例，但这不等同于验证了其在其他 BCI 任务中的适用性；阅读与复现时应重点核对 EEG 案例的来源与伪迹判据、归因忠实性评估方式，以及表示域变换是否满足方法要求。