题目：A Self-explainable Model of Long Time Series by Extracting Informative Structured Causal Patterns

论文地址：https://arxiv.org/abs/2512.01412

创新点

本文提出统一自解释时序框架EXCAP，针对传统XAI仅输出逐点权重、缺失时序语义与因果逻辑的缺陷，确立时序可解释四大标准，并融合注意力时序分段、因果图引导解耦解码器与隐聚合机制，在保证预测精度的同时生成时序连续、以模式为核心、具备因果依据且贴合模型推理的可信长时序解释。

方法

本文设计EXCAP自解释长时序模型，先对原始长时序做自适应分段筛选高信息量子序列，再引入因果图约束解码器实现时序特征因果解耦，最后通过结构化因果模式聚合完成预测并同步生成具备完整时序语义的原生可解释结果。

EXCAP整体框架与时序可解释方法对比总览

本图分为上下两部分，上图(a)展示EXCAP完整流程，输入原始长时序数据后先转换为特征嵌入，再借助因果图约束实现特征因果解耦，最终输出带分段模式权重可视化的预测结果，直观体现模型原生输出以分段子序列为单元的时序解释的完整链路；下图(b)为四类时序可解释方法四维特性对比表格，从时间维度连续性、模式为核心、因果解耦、贴合模型决策过程四项标准对比基于注意力、纯因果、事后归因三类现有方案与本文EXCAP，表格标注√代表完全支持、×代表不支持、△代表部分支持，清晰凸显EXCAP是唯一同时满足四项全部理想时序可解释特性的方法，完整论证该框架相比现有技术在时序解释能力上的全面优势。

EXCAP模型完整分层架构示意图

本图将EXCAP整体架构划分为预训练阶段、分段器、编码器、解码器四大模块，预训练阶段输入多维时序数据，先通过因果发现构建时序因果图，再送入参考模型生成参考注意力热力图为后续分段提供基准；分段器依托参考注意力依次完成注意力归一化、阈值筛选、邻近序列检测，划分出高低注意力子序列并添加位置编码；编码器融合时域TCN与时域/小波频域变换提取多尺度特征，搭配主损失、聚类损失、距离损失约束特征表征；解码器结合分段编码与预训练得到的因果图，经二值化因果约束后完成时序预测输出，整套流程串联实现时序分段筛选、因果解耦表征与原生可解释预测一体化建模。

EXCAP可解释效果与定量、隐空间可视化实验结果图

本图包含五张子图综合验证EXCAP的时序解释能力，(a)在癫痫数据集对比EXCAP、SHAP、TimeX三种方法的归因热力图，直观体现EXCAP的分段连续归因更贴合关键波形区间；(b)基于MITECG数据集展示随掩码阈值提升各类方法AUPRC指标变化曲线，凸显EXCAP归因稳定性更强；(c)在癫痫数据集区分高低归因掩码场景对比AUROC与AUPRC数值，证明EXCAP高权重子序列具备真实判别作用；(d)分别对正负EEG样本绘制EXCAP归因可视化，精准定位癫痫特征尖峰波形的关键分段；(e)将时序隐空间特征降维可视化，不同颜色聚类对应平滑波动、频域特征、骤升、局部极小四类典型时序模式，完整从定性可视化、定量指标、特征聚类多维度证实EXCAP可精准定位有效时序模式、解释结果可靠且具备可区分的结构化模式表征。

实验

本表从时序连续性、模式中心性、因果解耦、忠实性、计算效率五大核心理论特性展开，依次列明每项特性对应的理想设计目标、严格数学解析表达式、负责实现该特性的模型模块以及对应的理论意义，其中时序连续性由注意力分段器实现时序平滑约束以消除归因突变，模式中心性依托分段编码器完成结构化时序模式聚类，因果解耦依靠因果解码器抑制虚假相关带来的预测偏差，忠实性结合注意力机制与隐空间损失建立注意力稳定性和解释可信度的关联，分段式TCN保障整体线性复杂度O(NT)实现高效可扩展运算，完整从数学、模块、理论价值层面系统论证EXCAP同时满足全部时序可解释理论标准。