XACT 在可逆时频变换系数上学习稀疏归因掩码，在合成数据上比基线更少高亮伪特征，在两个真实数据集上给出稀疏且有结构的解释
核心概要
作者提出 XACT 这一通用框架，在任意可逆时频变换（STFT、连续小波变换、离散小波变换）的系数上学习稀疏归因掩码，并把虚拟检查层从 STFT 扩展到两种小波变换以使 LRP 能在这些表示中生成解释；在合成数据集上 XACT 给出精确解释且比所测试基线更不易高亮伪特征，在两个真实数据集上给出稀疏且有结构的解释，但没有方法在所有定量评价标准上都最优。
Figure 1: Overview of the proposed method. A mask, 𝑴 \boldsymbol{M} , of the same dimensions as the time-frequency representation, g ( 𝒙 ) g(\boldsymbol{x}) , is initialised randomly. An explanation is then the product of a learning problem tied to the mask using an objective function that enforces sparsity, smoothness and consistency between the original prediction of the model and the prediction of the masked input, g − 1 ( g ( 𝒙 ) ∘ 𝑴 ) g^{-1}(g(\boldsymbol{x})\circ\boldsymbol{M}) .
arXiv深度剖析
XACT 把解释的搜索空间从原始时间域或固定变换域，扩展到任意可逆时频变换的系数上，并学习稀疏归因掩码。 既有归因方法通常只在时间域或某个固定变换域工作，难以跨不同表示捕捉显著信息；XACT 让掩码直接在变换系数上学习，从而覆盖 STFT、连续小波变换与离散小波变换等多种表示。 摘要说明该框架在 STFT、连续小波变换和离散小波变换三种变换上进行了评估，属于方法层面的通用性论证。
作者把虚拟检查层方法从 STFT 扩展到连续与离散小波变换，使 LRP 能在这些表示中生成解释。 虚拟检查层此前用于 STFT；将其推广到两种小波变换，使基于 LRP 的解释不再局限于单一变换域。 摘要明确陈述了这一扩展，但未给出该扩展的定量对比细节。
在合成数据集上，XACT 产生精确解释，并且比所测试的基线更不易高亮伪特征。 这提供了在已知显著特征位置的受控设定下，对解释精确性与伪特征倾向的直接检验。 摘要报告了合成数据集上的定性比较结论，未给出具体指标数值。
在两个真实数据集上，XACT 产生稀疏且有结构的解释，但没有方法在所有定量评价标准上都表现最好。 这说明真实数据上的解释质量是多维的，稀疏性与结构性可与不同评价标准并存，而非单一方法全面占优。 摘要报告了两个真实数据集上的结果，并明确说明不存在全面最优的方法。
启示与展望
该工作面向需要解释深度时间序列分类器的研究者与从业者，适用于判别信息位于潜在频率或时频结构中的场景。方法以任意可逆时频变换为前提，摘要中评估覆盖 STFT、连续小波变换与离散小波变换，并在一个合成数据集与两个真实数据集上检验。对希望在同一框架下比较时间域与多种变换域解释的读者，这一设定提供了可复用的起点。
摘要未列出合成数据集与两个真实数据集的具体名称、样本规模、评价指标数值，也未说明基线方法的具体构成，因此无法从摘要判断各方法差距的大小。摘要提到没有方法在所有定量评价标准上最优，但未说明 XACT 在哪些标准上领先、在哪些标准上落后。虚拟检查层从小波变换扩展后的实际解释质量，也需要正文中的对比才能评估。