跳到正文

算法、任务与模态

Attribution 最新动态

Attribution 研究索引；按可核对的标签归档，不以热度评价质量。

64 条精选近 30 天 19 条共收录 103 条

更新

精选归档 · 第 4 页

1月1日周三第 61–64 条
  1. OpenReview · EEG72

    EEG 信号癫痫发作检测深度学习模型的解释

    基于摘要分析。该研究针对 EEG 在线癫痫发作检测中深度学习模型难以解释的问题，将领域知识融入输入信号准备、网络架构及输出后处理，并从时间聚合、频率特征和波形贡献三个层面分析模型的判断依据。研究对象是癫痫发作检测，而非 BCI 控制任务。 技术分析包括：将模型对信号片段的分类结果聚合到发作事件级；分析不同模型首个卷积层学习到的频率模式，考察其与 delta、theta、alpha、beta、gamma 频段的关系；使用 DeepLIFT 所揭示的激活差异，定位对发作期（ictal）类别预测贡献较大的信号波形。摘要未提供具体输入处理、网络结构、训练损失或事件聚合规则。 作者报告，首层卷积核尺寸会影响所提取特征的可解释性及模型敏感度，但经过后处理后，各模型最终性能非常接近。这提示阅读时应区分片段级模型差异与事件级检测结果，不能仅凭后处理后的指标判断模型内部特征是否相同。作者还报告，幅度是促成发作期预测的主要特征，并据此提出可能需要更大患者群体才能学习更复杂的频率模式；该解释不等于已证实幅度具有充分的临床判别能力。 作者报告，方法能够在所研究人群的大多数患者中泛化患者间差异，分类 F1 为 0.873，并检测到 90% 的癫痫发作。摘要未说明数据集、患者人数、训练与测试划分、F1 的计算单位及发作检测判定标准，因此不能将其直接认定为严格 Cross-subject 评估，也不能把发作检出比例与分类 F1 混为同一指标。实验协议、消融及统计信息尚未验证；复现时需核对患者隔离方式、卷积核设置、后处理规则、误报情况以及 DeepLIFT 的参考输入与归因稳定性。

    阅读价值：值得阅读之处在于将癫痫发作检测的事件级后处理、首层卷积频率特征与 DeepLIFT 波形归因结合，具体考察模型判断依据与 EEG 领域知识的关系，但其泛化效果及解释可靠性仍需核对完整实验协议。

  2. OpenReview · State space models80

    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。

    阅读价值：值得阅读的具体原因是 Blur Integrated Gradients 将感知模型的归因扩展到尺度／频率维度，并试图减少 Integrated Gradients 对基线选择的依赖；其解释稳定性及向 EEG 的适用性仍需验证。

1月1日周一
  1. OpenReview · EEG76

    用于可靠解释 EEG 分类的 Compensated Integrated Gradients

    基于摘要分析。本文研究 EEG 分类模型的输入特征归因，针对 Integrated Gradients 需要合适基线才能可靠估计特征贡献的问题，提出 Compensated Integrated Gradients：利用 Shapley sampling 补偿任意基线下计算的归因，旨在消除对合适基线选择的依赖。 核心机制并非完全不使用基线计算，而是允许先在任意基线下计算 Integrated Gradients，再进行归因补偿。作者给出的理论保证具有明确前提：分类器对各输入特征的处理过程相互独立，且处理方式相同，摘要以卷积神经网络中的共享权重作为说明。因此，不能将该保证直接理解为适用于所有 EEG 分类架构；这些条件如何形式化、如何对应实际模型，尚需核对全文。 作者报告，在三个 EEG 数据集上的实验中，所提方法的归因比原始 Integrated Gradients 更可靠，计算复杂度远低于 Shapley sampling。摘要未提供数据集名称、分类任务、被试数、被试内或跨被试等划分协议、归因可靠性的评价指标及具体数值，因此目前只能确认作者报告的比较方向，不能量化提升，也不能据此推断分类性能有所改善。 复现时需要核对补偿公式、Shapley sampling 的采样设置、任意基线的选取方式，以及可靠性评价与计算复杂度比较的具体条件。尤其需区分理论条件成立时的保证与实际 EEG 模型上的经验结果；实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读的具体原因是，该方法以 Shapley sampling 补偿 Integrated Gradients 对基线选择的依赖，并给出有条件的归因可靠性保证；其在 EEG 分类中的适用范围与计算收益仍需结合全文核对。

1月1日周四
  1. OpenReview · EEG76

    利用深度神经网络研究 EEG 情绪识别的关键频带与通道

    基于摘要分析。本文研究 EEG 中哪些频带与通道对情绪识别更关键，使用深度信念网络（DBN）对正性、中性和负性三类情绪建模，并通过分析训练后的网络权重选择通道配置。贡献不仅是分类模型，也包括对频带与通道贡献的分析。 方法与数据：作者构建了包含 15 名被试的 EEG 数据集，每名被试进行两次实验，间隔数日。模型输入为多通道 EEG 提取的微分熵特征，随后训练 DBN 并检查其权重，以研究关键频带和通道。摘要未给出具体频带边界、特征时间窗、DBN 结构及训练细节，尚不能据此确定权重如何转化为通道选择准则。 作者报告，在该三分类任务中，DBN、SVM、LR 和 KNN 的平均 Accuracy 分别为 86.08%、83.99%、82.70% 和 72.60%。作者另选取了 4、6、9、12 通道四种配置，报告其识别 Accuracy 相对稳定，其中最佳 Accuracy 为 86.65%，优于原始 62 通道配置。摘要未明确这些结果采用被试内、跨被试还是跨会话划分，也未明确最佳少通道结果对应哪种配置，因此不能将其直接解释为跨被试泛化性能，或与平均 Accuracy 作等价比较。 作者认为，权重分析得到的关键频带与通道与既有观察一致，且不同情绪相关的神经信号特征在会话与个体之间具有共性。这是作者对实验的解释，尚不等同于独立验证的稳定神经标志物。复现时应核对通道选择与模型评估的数据边界、两次会话的划分方式、各基线的调参与特征设置，以及少通道结果的波动和统计检验。实验协议、消融及统计信息尚未验证；摘要也未提供足以确认的数据集名称、数据开放状态或代码信息。

    阅读价值：值得阅读的具体原因是作者利用 DBN 权重分析 EEG 情绪识别中的频带与通道贡献，并报告少通道配置仍能保持识别表现；其通道选择流程与跨会话、跨被试评估协议仍需全文核对。