在时间序列模型的可解释性方法中，主要产生平坦的归因分数：这些分数通过一个标量量化特征在某一时间戳的直接影响。
我们证明，这类方法的主要失败模式并非标量格式本身，而是根本的计算不匹配：现有方法通过边际条件或离散边际梯度计算分数，这两者都将自相关下的直接时间依赖与间接依赖混淆。
我们还定义了 DAG-faithfulness：如果一个解释所编码的时间依赖图与模型隐式学习的时间有向无环图（DAG）是马尔可夫等价的，那么该解释就是 DAG-faithful。
特别地，我们观察到标准的归因方法，特别是 SHAP，一般情况下并不满足 DAG-faithfulness，并且最近的时间序列感知扩展也继承了相同的计算限制。
博主点评： 本文揭示了传统的时间序列归因方法在处理自相关数据时的局限性，强调了模型学习的时间依赖结构的重要性。
未来的研究应关注如何设计更具 DAG-faithfulness 的归因方法，以提高时间序列分析的准确性和可解释性。