FLEXtime：通过滤波器组学习解释时间序列

FLEXtime 面向时间序列模型预测的可解释性问题，提出用带通滤波器组将信号分解为多个频带，再学习能够解释模型预测的频带组合，以替代仅在逐时间点上学习显著性掩码的解释方式。基于摘要分析，未取得论文全文。 其核心机制是借助信号分解，将解释单位从时间点转向具有信号处理含义的频带。相较时间域显著性方法，这一路径可能更适合频率结构具有解释价值的信号，但解释对象仍是模型预测，不能直接等同于生理机制或因果证据。滤波器的具体形式、频带边界是否可学习、频带组合的优化目标，以及解释是否需要访问模型梯度，均尚未验证。 作者报告，在多个数据集的评估中，FLEXtime 平均优于所比较的先进可解释性方法；摘要未提供数据集名称、评价指标、对照方法、数据划分及具体数值，因此无法判断优势适用的任务与协议。摘要将 EEG 和音频列为应用对象，但未明确 EEG 实验设置与结果。实验协议、消融及统计信息尚未验证。作者提供了代码链接，但运行依赖与复现条件尚未核验。 平台推测（待验证）：若 EEG 解码模型依赖频带结构，FLEXtime 的频带分解与组合解释可能帮助检查预测依据；但低信噪比、伪迹和跨被试频谱差异可能使解释不稳定，相关频带也不一定代表任务相关神经活动。可复用的是频带级解释思路，需核对或改造的是多通道处理、频带设定及扰动策略。一个可检验的小实验是在固定 EEG 模型与数据划分下，比较 FLEXtime 与时间域显著性方法对高显著性成分移除后的预测变化，并检验解释对轻微噪声的稳定性。已有 EEG 相关工作的覆盖情况尚未检索确认。