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。本文研究通用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变化，同时应对时间依赖、高维度及表示难以直观理解的问题。作者提出 MASCOTS，将 Bag-of-Receptive-Fields 表示与受 Symbolic Aggregate Approximation 启发的符号变换结合，在符号特征空间中生成反事实，适用于单变量与多变量时序。 核心机制是以符号表示组织和修改时序特征，而非依赖特定模型结构或基于自编码器的采样。作者主张，这种表示能够兼顾对原始数据和模型的忠实性，并生成有意义、多样化的反事实；解释还可转换为可视化、自然语言或语义表示。符号编辑如何还原为时序、如何搜索候选及约束扰动，摘要未提供细节。 作者报告，在单变量与多变量基准数据集上，MASCOTS 的有效性、接近性和合理性与现有先进方法相当，可解释性与稀疏性则显著改善。摘要未列出数据集名称、划分、具体基线、指标定义及数值；实验协议、消融及统计信息尚未验证，不能据此判断不同场景下的收益幅度。 平台推测（待验证）：其符号空间编辑机制可能用于分析 EEG 分类器对局部时序变化的敏感性，但原论文主要对象是通用时序解释，并非已验证的 BCI 方法。迁移依赖符号表示保留任务相关信息，以及可查询的模型输出；可复用符号表示与候选编辑思路，需改造多通道一致性和生理合理性约束。低信噪比、跨被试差异、通道布局变化及小数据下的表示不稳定，可能使符号扰动对应伪迹而非有意义的神经活动。一个可检验的小实验是在固定被试内 EEG 分类器及留出集上，对比符号编辑与原始时域扰动，在相同查询预算下检查预测翻转率、扰动范围及通道一致性；预测翻转不等于生理因果解释。已有 EEG 相关工作尚未检索确认。