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。MASCOTS 研究时间序列模型的反事实解释：寻找能够改变模型输出的最小输入修改，同时处理时间依赖、高维性与表示难以直观理解的问题。其核心是结合 Bag-of-Receptive-Fields 表示与受 Symbolic Aggregate Approximation 启发的符号变换，在符号特征空间生成反事实，并支持单变量和多变量时间序列。 方法定位：作者将 MASCOTS 与依赖模型结构或基于自编码器采样的方法区分，强调其模型无关性，以及生成有意义、多样化反事实的能力。符号表示使解释能够以可视化、自然语言或语义形式表达。摘要未给出具体搜索过程、优化目标、符号修改到原始序列的映射方式，以及保持数据与模型忠实性的实现细节，这些均尚未验证。 结果与证据边界：作者报告，在单变量和多变量基准数据集上，MASCOTS 的有效性、接近性与合理性可与所比较的先进方法相当，并显著改善可解释性与稀疏性。摘要未列出数据集名称、划分协议、对照方法、指标定义、数值或显著性检验，实验协议、消融及统计信息尚未验证；也不能据此认定解释符合领域因果关系。 平台推测（待验证）：若用于 EEG 分类决策解释，符号化局部时间模式或可帮助描述哪些片段的修改会改变预测，但通用时间序列结果不等于 BCI 有效性。可复用部分是符号表示与模型无关反事实生成思路；需改造通道间关系、生理合理性约束及解释映射。低信噪比、跨被试差异、通道配置变化和小数据可能使符号修改捕捉伪迹，或产生不可实现的反事实。一个可检验的小实验是在固定 EEG 分类器与明确的被试内划分下，对照原始序列空间的反事实方法，同时评估预测翻转有效性、修改稀疏性、扰动稳定性及生理合理性。已有 EEG 相关工作尚未检索确认。