时间序列分类器学会“意外”：ConceptTime用预测落差切段，癫痫仅1%标签仍达97.91%
核心概要
ConceptTime把冻结概率预测器在每一步的预测落差当作统一信号，同时决定时间序列的分段边界并描述每段相对预期的行为，从而在不使用固定窗口、专家概念标注或语言模型的情况下得到可检查的概念词表。在17个公开基准上，它的准确率与黑箱方法相当并优于所有可解释基线；在癫痫数据集上只用1%标签仍保持97.91%准确率，原型距离还直接充当弃权用的保真度分数。
深度剖析
时间序列分类器现在可以在不预设窗口、不请专家标注概念、不调用语言模型的条件下，同时给出可检查的概念、有竞争力的准确率和可弃权的可靠性分数。 此前的概念瓶颈模型要么用固定窗口加预定义概念词表，要么用自适应切分却只把片段送进普通编码器，要么产生没有语义结构的离散潜码，因此至少牺牲准确率、可解释性或校准弃权中的一项。 在17个公开基准上，ConceptTime-Dynamic在全部标签比例下都是最强的可解释方法；癫痫全监督98.39%，1%标签97.91%，高于黑箱TSLANet的95.41%。
分段与概念描述由同一个冻结的概率预测器完成：它每一步预测下一个观测的高斯分布，实际信号在该分布下的负对数似然就是预测落差。 落差高说明模型在有把握时仍然预测错了，这正是应当落段的时刻；同一预测器给出的预测均值、方差和残差统计则描述每段相对预期如何表现，而不是它长什么样。 在UCI-HAR上，同样的自适应片段与词表规模下，预测矩特征达到87.7%准确率，而原始波形形态特征只有42.7%，相差45.0个百分点。
从原始信号到概念激活的路径完全确定：落差经长度约束动态规划切段，片段被压缩成预测矩、残差形态和落差轨迹三类签名，再对签名做高斯混合聚类得到概念原型。 只有轻量分类器在概念张量上接受标签监督，冻结的预测器、标准化器和原型跨任务共享，因此概念不会把标签信息偷带进可解释激活。 在故障诊断FD-A至FD-D的12个迁移方向上，保留源词表、仅用5%目标标签训练分类器时平均准确率91.09%；改用目标域无标签数据训练预测器后升至94.37%，在7个方向上排名第一。
启示与展望
演示范围是17个公开基准，涵盖可穿戴传感、脑电癫痫与睡眠分期、10个UEA数据集和4种轴承故障工况；弃权分数在HAR的合成噪声与打乱扰动以及故障诊断工况迁移上评估。作者提出后续可探索分层词表、在线更新词表，以及用低保真片段指导主动重标注。
词表规模需预先固定，每个学到的原型含义依赖训练后的人工解读；故障诊断工况迁移中，保真度检测的平均AUROC为0.666，但在95% OOD召回下平均假阳性率仍为0.719，且不同工况对之间差异很大；癫痫选择性预测中最大softmax的E-AURC低于保真度；作者也提醒高保真度不等于预测正确，原型可能反映传感器伪影。