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。