Unifying Prediction and Explanation in Time-Series Transformers via Shapley-based Pretraining**方法**论文提出 ShapTST 框架通过将 Shapley 值估计融入时间序列 Transformer 的预训练过程设计时间、特征、单元格多维度掩码策略与 Shapley 值正则化实现单次前向传播同时输出预测结果与 Shapley 值解释在提升模型抗噪性的同时避免事后解释的额外计算开销。创新点将Shapley值估计融入时间序列Transformer的训练过程新增解释头与预测头并行实现单次前向传播同时输出预测结果与解释。设计时间、特征、单元格多维度掩码策略模拟信息缺失场景辅助模型学习支持多粒度的Shapley值解释。提出Shapley值正则化机制通过掩码概率控制与目标对齐损失提升模型对数据噪声的鲁棒性。Encoding Time-Series Explanations through Self-Supervised Model Behavior Consistency方法论文提出TIMEX框架通过训练可解释的替代模型引入模型行为一致性准则以保留预训练模型的潜空间关系结合离散直通估计器生成归因图并学习解释潜空间实现对时间序列模型预测的忠实且可解释的归因分析。创新点提出模型行为一致性MBC准则通过保留预训练模型与替代模型潜空间的关系提升解释对原模型的忠实度。采用离散直通估计器STE生成归因图避免连续掩码导致的时间序列形状失真同时优化掩码连通性增强可解释性。学习解释潜空间并提取标志性解释支持相似解释的视觉聚合与 temporal 模式识别超越单一样本级解释。