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。该研究针对时间序列模型解释中的两个问题：定位驱动预测的信号片段，以及将这些片段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仿预训练时间序列模型的行为，生成离散归因图，并学习可用于聚合相似解释的潜在空间。 核心机制是模型行为一致性：使预训练模型潜在空间中的关系与 TimeX 潜在空间中的关系保持一致，以提升解释对原模型行为的忠实性。区别于仅输出归因结果的解释方式，TimeX 的解释潜在空间还可提供代表性参照点，辅助可视化聚合与时间模式识别。摘要未给出关系的具体定义、损失形式、代理结构、离散归因的生成方式及训练所需监督，以上尚未验证。 作者报告，在八个合成及真实世界数据集上，与已有先进解释方法比较，TimeX 在各数据集的各项评估指标中取得最高或第二高表现；作者还通过生理时间序列案例展示了其捕捉预训练模型行为的潜力。摘要未列出数据集名称、指标、具体分数、划分协议和基线配置，因此不能判断优势幅度或不同评估条件下的稳定性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 模型的潜在关系能稳定反映任务相关时间模式，TimeX 的关系一致性与离散归因机制可能用于检验模型是否依赖可重复的 EEG 片段，而非仅提供局部显著性。可复用部分是解释代理与潜在关系保持思路，需改造部分包括多通道归因表示及时间、通道扰动方式；其对数据规模和监督的依赖需查阅全文。低信噪比、跨被试差异、通道变化和小样本可能使原模型关系本身不稳定，代理也可能忠实复制伪迹依赖。一个可检验的小实验是在固定 EEG 分类模型和既定被试内划分下，比较 TimeX 与归因基线对所选片段扰动后的预测变化及解释稳定性，并检查是否集中于伪迹。该假设不构成已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。