TIMING：时间序列解释的路径重写

0. 链接验证表

下列链接均于 2026-08-30 实际访问。arXiv 页面显示 v1，2025-06-05；未发现后续版本。论文没有独立数据仓库，MIMIC-III 需通过 PhysioNet 凭证与 DUA 获取；公开仓库提供其余数据处理脚本及除 MIMIC-III 外的检查点。

1. 候选池与排重

索引显示近 14 天已经深度覆盖蛋白多模态、医疗 VLM 偏好优化、晶体生成与文档视觉解释，因此本次不再选这些主题。候选池来自 ICML 2025 PMLR / OpenReview、arXiv、作者代码与近期论文索引，共 24 篇：BounDr.E、Visual and Domain Knowledge for Medical Reasoning、QEM-Bench、KoNODE、Causal Discovery from Conditionally Stationary Time Series、Graph Filtration for Time Series、sciLaMA、TimeFilter、Flow-field Inference from Neural Data、Beyond Atoms、SPACE、Energy-based Alignment for Protein Ensembles、Moirai-MoE、TIMING、DUNIA、IMTS、Optimal Information Retention、Arrow、SKOLR、In-Context Fine-Tuning for TSFM、LSCD、Causality-Aware TS Anomaly Detection、E-prop Neural Similarity、Atomic Flow Matching for Ligand-Binding Proteins。完整可审计池保存在同目录 candidates_2026-08-30.tsv。

2. Motivation：问题不是“归因不够平滑”，而是评价把方向信息消掉

时间序列解释通常输出每个 (t,d) 的重要性。若归因有符号，正值表示该点推高预测类概率，负值表示压低。常见评价一次遮掉 top-K 点，再观察准确率或目标类概率的变化。论文指出这会发生两个混淆。

第一，解释模型与解释标签混淆。若模型学了伪相关，遮掉模型真正依赖的错误特征可能提高分类准确率；此时“准确率下降越多越忠实”把对 ground truth 的好坏错误地当作对模型行为的忠实度。第二，方向抵消。若 top-K 中包含推高和压低预测的点，一次性移除后的净变化可能接近零，即使排名完全正确；反之，一组排名较差但同方向的点会得到更大的净变化。

MIMIC-III 预实验直接量化了这件事：表 1 中 IG-Unsigned 的 CPD(K=50) 为 0.342±0.021，IG-Signed 为 0.248±0.010；但按 10% 遮挡后保留原预测的 Acc（越低越好），IG-Signed 为 0.855±0.011，反而显著好于 IG-Unsigned 的 0.974±0.001。这不是两个指标“略有不同”，而是会给出相反的算法排序（论文第 3 页，表 1）。

作者进一步指出原始 IG 的路径 αx 同时缩放所有时点：它既始终保持原序列的相对时间关系，也可能穿过训练分布之外的区域。因此，若关键证据来自“某一连续片段相对邻域被破坏时模型如何反应”，单一直线 IG 看不到这种条件变化（第 4–5 页，§4.2）。

3. 故事线、假设与权衡

论文的故事不是直接提出一个新 explainer，而是三步推进：

1. 先证明旧评价会误判 signed attribution，提出 CPD 与 CPP；
2. 在新指标下，朴素 IG 已超过许多时间序列专用方法；
3. 再把 IG 的 baseline/path 随机化，并以连续片段而非独立点保留原值，得到 TIMING。

核心假设是：连续片段是时间语义的合适最小单元。这比独立 Bernoulli 掩码更尊重局部依赖，但并非从数据学习出来；s_min,s_max,n 是人工设定，且每个片段只选择一个通道。它因此偏向“单通道连续事件”，对跨通道同步事件、非连续周期模式或长程因果关系没有结构保证。

权衡也很明确：TIMING 换来多上下文的归因，却失去 IG 的 completeness。论文 Proposition 4.4 明确承认，所有归因之和不再保证等于 F(x)-F(x')（第 5 页）。换言之，TIMING 的数值不再是一笔严格守恒的“预测差额分账”，而是不同随机上下文下局部梯度的条件平均。

4. 方程级形式化

设分类器 F: R^(T×D) → [0,1]^C，预测类 ŷ=argmax_c F_c(x)。标准 IG 对点 (t,d)：

IG_t,d(x) = (x_t,d-x'_t,d) ∫_0^1 ∂F_ŷ(x'+α(x-x'))/∂x_t,d dα.

论文以零 baseline 为主。令二值掩码 M_t,d=1 表示该点沿路径从 0 变化到输入，M_t,d=0 表示整条路径保留原值，则：

z(α;M) = α(M⊙x) + (1-M)⊙x
MaskingIG_t,d = x_t,d M_t,d ∫_0^1 ∂F_ŷ(z(α;M))/∂x_t,d dα.

RandIG 用独立 Bernoulli 掩码求条件期望；TIMING 则改用连续片段生成器 G(n,s_min,s_max) 定义掩码分布：

TIMING_t,d(x) = E_{M~G}[MaskingIG_t,d(x,M) | M_t,d=1].

Proposition 4.1 的计算技巧是把“多条完整 IG 路径”改成“每个 α 采一个随机掩码”，以单次 Riemann 求和近似内层期望。它保留 Sensitivity 与 Implementation Invariance（Proposition 4.2–4.3），但不保留 completeness（Proposition 4.4）。注意：论文称“maintaining its theoretical properties”时必须加限定词，准确说法是保留两项关键公理，而非完整继承 IG 的公理集合。

新评价指标按 |A| 从高到低依次遮挡，记 x↑k 为已移除前 k 个高归因点：

CPD(x)=Σ_{k=0}^{K-1} ||F(x↑k)-F(x↑(k+1))||_1  （越高越好）
CPP(x)=Σ_{k=0}^{K-1} ||F(x↓k)-F(x↓(k+1))||_1  （越低越好）

CPD 测“逐个移除重要点时输出累计移动多少”，CPP 对最低归因点做同样操作。因为每步取 L1 范数，它避免正负影响在一次 top-K 遮挡中直接抵消；但也因此累计的是路径长度而非首尾净位移，模型输出来回摆动会被重复计数。

输入 x、冻结分类器 F、片段数 n、长度区间 [s_min,s_max]、积分步数 n_samples
ŷ ← argmax F(x); TotalGrad ← 0; count ← 0
for α = 0, 1/n_samples, ... < 1:
    从零 baseline 构造插值点
    随机选择 n 个 (通道, 起点, 长度) 连续片段
    将这些片段恢复为 x 的原值，并记录哪些位置未被恢复
    对 F_ŷ 求输入梯度；恢复片段的梯度不计入该点条件平均
    累积梯度与有效计数
返回 (累计梯度 ⊙ x) / 每点有效计数

5. 关键机制与工程细节

代码审计还发现，六个真实数据集使用不同片段配置：例如 Freezer 为 (5,10,100)、Wafer (5,10,152)、Boiler (50,1,36)、PAM (10,10,600)、Epilepsy (10,10,10)、MIMIC (50,10,48)（官方仓库 scripts/real/run_10perc_masking_our.sh）。所以“同一方法跨数据集无需调参”并不成立；表 6 只在 MIMIC 上做敏感性分析。

6. 数据集、任务与指标

表 7（附录第 15 页）列出 8 个基准：Switch-Feature 1,000×100×3、State 1,000×200×3；MIMIC-III 22,988×48×32，PAM 5,333×600×17，Epilepsy 11,500×178×1，Boiler 90,115×36×20，Wafer 7,164×152×1，Freezer 3,000×301×1。任务覆盖合成显著性、ICU 院内死亡、活动识别、EEG 癫痫、锅炉故障、晶圆异常与冰箱来源分类。

合成数据可用 AUP/AUR 对照生成过程给出的 saliency map，但这默认训练模型确实用了生成器规定的点；真实数据没有 ground-truth explanation，故 CPD/CPP、Acc、CE、Sufficiency、Comprehensiveness 都是代理指标。CPD 高只能说明按该排序逐个替换时模型输出累计变化大，不能说明临床人员认为解释正确，也不能证明被标出的变量是因果风险因素。

7. 完整主结果矩阵

8. 逐层消融、超参、相变与统计

表 5（第 8 页）把 IG→RandIG→TIMING 分层：MIMIC Zero CPD 从 IG 0.342±0.021，到 RandIG(p=.3/.5/.7) 0.350/.353/.354±约.022，再到 TIMING 0.366±0.021。随机 baseline 贡献约 +0.012，连续片段在最强 RandIG 上再 +0.012；两步增益同量级，不能把全部提升归给“temporality”。Avg 替换下 TIMING 仅从 IG 0.172 升到 0.177。

表 6（第 8 页）给 12 组 MIMIC 超参。Zero CPD 范围 0.345–0.366，绝对跨度 0.021；Avg 0.173–0.177，跨度其实是 0.004。正文写“average performance 最大差异 0.04”，与表内数字不一致，合理推断是排版小数点错误。较大 s_max=48 基本优于 s_max=10，但没有出现突变式相变；n 从 10 到 100 也非单调。

统计方面，主表报告五次交叉验证的 mean±standard error，这是优点；但论文未报告配对显著性检验、置信区间、效应量或多重比较校正。因此 Freezer 的 +0.004（SE 各约 0.11）不能据表推出统计显著；即使 Boiler 的差距远大于 SE，也不能把视觉分离当作正式检验。不同方法若共享同一 folds，最合适的是按 fold 配对检验或 bootstrap 配对差，并报告 12 列多重比较控制。

9. 计算效率

图 4（第 9 页）报告 MIMIC 全测试集的秒/样本与 CPD：DeepLIFT 0.017 s, 0.142；IG 0.034 s, 0.342；GradSHAP 0.034 s, 0.327；TIMING 0.040 s, 0.366；FO 2.948 s, 0.016；AFO 3.540 s, 0.120；LIME 3.742 s, 0.071。TIMING 相对 IG 慢约 17.65%，CPD 高约 7.02%；相对 AFO 快约 88.5×。但作者把需要 post-training 的方法排除在这张图之外，因此无法得出“比所有时间序列 XAI 方法更快”的结论。

10. 真正贡献、可复用设计与迁移潜力

真正贡献有两层。第一层甚至比 TIMING 本身更重要：CPD/CPP 把“一次遮 K 个点”改成逐步路径，明确揭示 signed attribution 的抵消问题。它可迁移到图节点、图像 patch、文本 token，只要能定义替换操作。第二层是把 structured baseline distribution 放进 IG 路径：不是另训 explainer，而是通过输入路径编码领域结构；这可复用到空间连通块、频域带宽、事件窗口或多变量同步块。

不过迁移时应保留三条设计纪律：结构单元必须由领域假设或数据验证支持；替换器需尽量贴近条件数据分布；不能只在与方法共同提出的指标上验证，至少加入外部 ground truth、反事实一致性、人类任务或下游调试收益。

11. 相关工作：问题来源与技术来源链

                         ┌─ 梯度公理线 ─ IG (2017) ───────────────┐
模型无关局部解释 ────────┤                                      ├─ TIMING (2025)
                         └─ 时序扰动线 ─ Dynamask (2021) ────────┤   ├─ CPD/CPP：逐步评价
                                           ├─ ContraLSP (2024) ──┤   └─ 连续片段随机路径
                                           └─ TimeX++ (2024) ────┘
                                                     │
                                   OOD / signalling / 方向抵消成为转折点

12. 论文自述限制

1. 评价可被符号排序操纵。 §3.2（第 4 页）明确说 signed 方法若按绝对值顺序交替正负点，可能抬高 CPD/CPP，因此不应利用符号操纵排序。
2. Completeness 丢失。 Proposition 4.4 与其后讨论（第 5–6 页）明确说明归因和不再等于输出差。
3. 复现环境不一致。 官方 README 明示，公开训练脚本因与原训练环境不同，可能无法单独完全复现论文结果；MIMIC 模型检查点也因访问限制不公开。

论文没有独立的“Limitations”章节，也未报告用户研究、因果验证或部署测试。

13. 独立批判（证据 → 推论）

1. [指标构念效度] 因为 CPD 是逐步输出变化的 L1 和，满足三角不等式 CPD ≥ ||F(x)-F(x↑K)||₁，路径来回摆动会重复累计，所以高 CPD 不必然等于更准确地识别净贡献，可能只是遮挡轨迹更曲折。
2. [循环验证] 因为核心方法与主要胜出指标由同一论文共同提出，且在既有 Acc/CE/Comp 上 Extrmask 明显更强（表 2：Comp×100 23.370 对 0.436），所以不能用 CPD 全胜单独证明普遍解释质量更高；需要外部任务或独立 ground truth。
3. [统计] 因为 Freezer Zero 仅从 IG .405±.111 到 .409±.109，差 0.004 远小于单个方法 SE，所以“六数据集一致提升”的点估计事实不能推出 Freezer 上可靠改善。
4. [归因守恒] 因为 TIMING 明确不满足 completeness，所以不同样本或不同片段超参下归因总量未被固定，进而绝对归因大小的跨样本比较缺少 IG 原有的标尺。
5. [OOD 证据缺失] 因为论文声称部分保留能缓解 OOD，却未报告路径样本的密度、判别器 AUC、最近邻距离或 calibration，所以“更 in-distribution”目前是合理机制假说，不是被直接验证的实验结论。
6. [结构偏置] 因为随机片段一次只选一个通道，PAM 的 17 通道同步动作、Boiler 的 20 传感器耦合并未显式成组，所以方法可能把跨通道事件拆散；Boiler 的大幅增益也不能说明学到了物理耦合。
7. [超参外推] 因为六数据集脚本使用不同 (n,s_min,s_max)，而敏感性只在 MIMIC 的 T=48 上报告，所以无法推出对 T=600 的 PAM 或 T=301 的 Freezer 同样稳健。
8. [复现性] 因为 README 明确警告训练脚本不能完整复现且不公开 MIMIC 检查点，所以最关键的医疗主表无法由无数据权限的第三方端到端验证；这限制了审计可达性。

14. 开放挑战：可操作的 head-to-head 实验空白

15. 近期工作雷达

1. Optimal Information Retention / ORTE，ICML 2025：用条件互信息统一冗余与完整性，正面补 TIMING 缺少全局优化准则的问题；但它仍依赖 mask 学习与互信息近似。
2. Start Smart / StartGrad，ICLR 2025：用梯度初始化 mask 优化，连接快速梯度法与高质量扰动法；适合作为等预算强基线。
3. DeltaSHAP，2025-07-03 arXiv：解释在线患者风险的“变化”而非静态分数，方向性与实时性更贴近临床监控。
4. Cross-domain Integrated Gradients，2025-05-19 arXiv：把 IG 推到频域、ICA 与分解域并保留 completeness；它提醒 TIMING 的“连续时间片段”不是唯一合理语义单元。
5. TimeSAE，2026-01-14 arXiv：以稀疏解码器寻找可解释时间概念，将 point attribution 推向 concept-level；忠实度仍需与黑箱行为验证。
6. Delta-XAI，OpenReview：试图统一预测演化解释；它延续 TIMING 对方向信息的关注，但需避免再造只利于自身的评价闭环。

16. 结论

TIMING 最值得读的部分不是“又一个时序归因器”，而是对评价协议的拆解：一次遮掉 top-K 确实会让正负证据相互抵消。方法上，连续片段随机路径是一种便宜、模型无关、可迁移的结构先验；六真实数据集 12/12 CPD 单元格领先，Boiler Zero 相对 IG +109.84%，且只把 MIMIC 推理从 IG 的 0.034 s/样本增加到 0.040 s/样本。

但严格结论必须收窄：TIMING 没有在所有既有指标上获胜，不保证 completeness，没有直接证明路径更 in-distribution，也没有用户或因果解释验证。最稳妥的定位是：它是“signed attribution 公平评价 + 结构化 IG 路径”的强基线与研究起点，而不是已完成临床可信解释闭环的方法。

脚注：候选池与报告索引已更新。报告数字均来自实际读取的 TIMING 论文 v1 PDF（19 页）、附录或官方代码/README；未能核实的项目均明确标注。Warm Editorial 验证器以 0 error / 0 warning 通过；本机虽安装 Playwright，但 /usr/bin/chromium、/opt/pw-browsers 与 Playwright 缓存均无 Chromium 可执行文件（启动返回 executable missing），故无法诚实完成浏览器截图。报告改以响应式断点、宽表滚动、主题 CSS/JS、SVG 键盘 tooltip 与静态结构检查作为替代，未声称完成真实浏览器视觉验收。