通过自监督模型行为一致性编码时间序列解释

基于摘要分析。该研究面向时间序列模型的可解释性问题：既要定位驱动预测的信号位置，也要将这些位置对应到可理解的时间模式。作者提出 TimeX，通过训练可解释代理模型模仿预训练时间序列模型的行为，输出离散归因图，并学习可用于聚合相似解释、识别时间模式的解释潜在空间。 核心机制是模型行为一致性：使 TimeX 潜在空间中的关系与预训练模型潜在空间所诱导的关系保持一致，以增强解释对原模型行为的忠实性。与仅输出归因结果的方法相比，摘要强调 TimeX 还可利用解释空间中的代表性参照点（landmarks）进行可视化聚合。具体关系定义、损失形式、代理模型结构及训练细节尚未验证。 作者报告，在八个合成与真实世界数据集上与先进可解释性方法比较，TimeX 在所有数据集的各项评估指标中取得最高或次高表现；另有生理时间序列案例研究，用于展示其捕捉预训练模型行为的潜力。摘要未提供数据集名称、指标定义、具体数值、数据划分或基线配置，实验协议、消融及统计信息尚未验证；也不能据此确认案例包含 EEG 或证明其对 BCI 有效。 平台推测（待验证）：假设 EEG 解码模型的潜在关系能够反映有意义的任务结构，TimeX 的代理解释与关系一致性机制可能用于分析模型依赖的时间片段，对应 EEG 解码中预测依据难以核查的问题。可复用部分是解释空间及一致性约束；需核对并改造多通道归因方式、时间粒度与代理模型输入。低信噪比、通道差异、跨被试变化和小样本可能使解释继承原模型的伪相关，行为忠实性也不等同于生理合理性。一个可检验的小实验是在固定 EEG 解码模型和既定被试内划分下，对比 TimeX 与归因基线，检查删除高归因片段后的预测变化及解释稳定性。已有 EEG 相关工作尚未检索确认。