尺度与空间中的归因

基于摘要分析。本文研究感知任务中深度网络的预测归因问题，提出 Blur Integrated Gradients（Blur IG），旨在解释输入中哪些内容影响预测，以及网络在什么尺度上识别对象。原论文主要面向视觉与音频感知，并非 EEG 或 BCI 方法研究。 核心机制方面，作者将模糊与尺度空间引入归因，除输入位置上的解释外，还生成尺度／频率维度的归因分数。作者称该方法满足尺度空间公理，因而采用不引入伪影的扰动，并产生更干净、与深度网络运作一致的解释；这些性质的形式化条件及验证范围需查阅全文。相较于 Integrated Gradients，作者强调 Blur IG 在感知任务中无需设置基线参数，以减少基线选择对解释的影响。摘要未给出具体积分路径、模糊算子或计算成本。 作者报告与既有归因技术进行了比较，并展示了 ImageNet object recognition、Diabetic Retinopathy prediction 和 AudioSet audio event identification 三项应用。摘要未提供量化指标、数据划分、对照方法名称或统计结果，不能据此判断性能提升幅度。实验协议、消融及统计信息尚未验证。材料提供了代码与示例入口，但实现细节及复现条件尚未核对。 平台推测（待验证）：其尺度／频率归因思路可能适用于已训练的 EEG 时频表征分类器，用于检验预测依赖的频率范围，而非直接提高解码性能。该假设依赖具有明确时间、频率轴的输入表示；归因分析本身不应被等同于重新训练，评价解释则需要标签或受控扰动参照。可复用尺度归因思路，但需改造模糊轴与尺度定义，避免将电极排列误作图像空间邻接。低信噪比、跨被试频谱差异、通道配置变化及小数据下的模型不稳定，都可能使归因反映噪声而非任务相关信号。一个可检验的小实验是在固定 EEG 分类器与同一测试划分上，比较 Blur IG 和 Integrated Gradients 的高归因频带遮蔽效应及解释稳定性，并设置随机频带遮蔽对照。原领域结果不构成 BCI 有效性证据，已有 EEG 相关工作尚未检索确认。