Multi-SpaCE：面向多变量时间序列分类的多目标、基于子序列的稀疏反事实解释

基于摘要分析。本文研究多变量时间序列分类的反事实解释：寻找能够改变模型预测、同时尽量接近原输入的修改。Multi-SpaCE 使用非支配排序遗传算法 II（NSGA-II），联合权衡接近性、稀疏性、合理性与连续性，并输出 Pareto 前沿上的多个解，以适配不同使用需求。 其主要机制是将反事实生成表述为多目标搜索，而非仅输出单一折中解。摘要指出，既有时间序列方法受到单变量假设、修改约束僵硬或有效性缺少保证等限制；Multi-SpaCE 面向多变量输入，并强调基于子序列的稀疏修改。但各目标的具体定义、子序列如何编码、修改值如何生成，以及如何保证有效性，尚需正文核对。这里的有效性指反事实能否改变分类预测，不等于解释具有因果意义或修改在现实中可执行。 作者报告，在多种数据集的实验中，Multi-SpaCE 一贯实现完全有效性，并取得优于既有方法的表现。摘要未提供数据集名称、分类器、划分协议、对照方法、搜索预算及具体指标，因此尚不能判断优势的适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 分类输入表示为通道×时间的多变量序列，该方法可能用于检查哪些局部时间片段的修改能够改变预测，而非直接提升 BCI 解码性能。可复用的是多目标搜索与 Pareto 解集展示，需改造的是 EEG 合理性约束、跨通道关系和时间结构的保持方式。低信噪比、通道差异及小数据条件下，搜索可能找到利用分类器脆弱性、却缺乏生理意义的修改。一个可检验的小实验是在固定 EEG 分类器和独立测试集上，以相同搜索预算比较反事实有效性、修改范围及信号结构保持情况，检查这些目标能否同时改善。已有 EEG 相关工作尚未检索确认。