AIM：用于评估 EEG 深度学习解释的对抗信息掩码

基于摘要分析。本文研究 EEG 深度学习事后解释方法的忠实性评估问题，即解释是否准确反映模型行为。作者提出 adversarial information masking（AIM，对抗信息掩码），用于增强分布内信息掩码技术，并对不同忠实性评估框架开展定量比较。 技术上，AIM 的明确贡献是改进评估解释方法所用的信息掩码机制，而不是提出新的 EEG 分类模型。摘要没有说明对抗掩码的优化目标、生成过程、约束条件，也未解释如何维持掩码后输入的分布内性质；因此，尚不能判断它如何区分解释质量与掩码操作本身对模型输出的影响。 作者报告，研究比较覆盖不同架构、数据集与领域，用于评估人类 EEG 深度学习的事后解释方法。作者将其称为此类忠实性评估框架的首次定量比较，但这一优先性声明尚未独立核实。摘要未提供具体任务、数据集名称、被试数量、数据划分、对照框架、评估指标或结果数值，无法据此判断 AIM 的优势幅度及适用范围；实验协议、消融及统计信息尚未验证。 作者提供了代码与示例数据入口，这为核对实现提供了线索，但代码可用性、依赖环境及示例数据能否支持论文主要实验尚未验证。阅读全文时，应重点核对忠实性的操作性定义、掩码后的分布约束、各评估框架的比较条件，以及结论在不同 EEG 架构和数据集间是否一致。本文涉及 EEG 模型解释评估，不能仅据摘要将其结论扩展为 BCI 解码性能或临床可靠性的提升。