MASCOTS：面向时间序列的模型无关符号反事实解释

基于摘要分析。该研究针对时间序列反事实解释中时间依赖、高维度与表示难以直观理解的问题，提出 MASCOTS：结合 Bag-of-Receptive-Fields 表示与受 Symbolic Aggregate Approximation 启发的符号变换，在符号特征空间中生成用于改变模型输出的反事实观测。 核心机制是以符号化表示承载反事实修改，目标是在保留原始数据与模型忠实度的同时，提高解释的可读性。作者将其与依赖模型结构或基于自编码器采样的方法区分，强调方法无关性，以及对单变量和多变量时间序列的适用性。摘要未说明符号构造、搜索或优化过程、最小改动约束，以及符号到原始序列的映射细节，这些机制尚待全文核对。 作者报告，在单变量与多变量基准数据集上，MASCOTS 的有效性、接近性和合理性与先进方法相当，并显著改善可解释性与稀疏性；符号解释可通过图形、自然语言或语义表示呈现。摘要未提供数据集名称、模型类型、划分协议、指标定义、数值及统计检验，实验协议、消融及统计信息尚未验证，不能据此判断优势的幅度或适用边界。 平台推测（待验证）：其符号反事实机制可能用于分析 EEG 分类器对局部时序模式变化的敏感性，但原文主要研究一般时间序列，并未提供 EEG/BCI 验证。可复用的是模型无关的符号扰动与解释生成思路；需改造的是 EEG 的表示粒度、跨通道约束及生理合理性检查。低信噪比、被试差异和通道差异可能使符号变化对应伪迹而非任务相关活动，小数据也可能降低合理性判断的可靠性。一个可检验的小实验是在固定被试内划分和已训练 EEG 分类器上，检验符号修改能否稳定改变预测，并同步检查改动的时频特征与跨通道一致性，而不只统计预测翻转。已有 EEG 相关工作尚未检索确认。