解释RhythmFormer：远程光电容积描记法中周期性稀疏注意力的系统性XAI分析
本文针对远程光电容积描记法（rPPG）Transformer模型的可解释性不足，提出了一套定量化评估工具。作者将四种归因方法适配到RhythmFormer的双层路由注意力机制，引入了皮肤覆盖度指标，并将忠实度系数从分类任务扩展到rPPG回归。实验发现稀疏top-k路由下的多跳泄漏效应，而Beyond Intuition方法通过值投影加权和梯度掩码有效缓解，在UBFC-rPPG数据集上取得最高皮肤覆盖度（0.83）和忠实度（F=0.92）。研究推动了rPPG XAI向可审计的数值证据发展。
远程光电容积描记法（rPPG）是一种通过视频分析心率的技术，近年来Transformer模型在该领域取得了出色的基准性能。然而，这些模型的决策过程仍不透明，随着rPPG向临床应用迈进，可解释性成为关键问题。现有可解释人工智能（XAI）方法大多依赖定性热图检查，缺乏定量忠实度度量和生理学验证。针对这一空白，Louis Chen和Torbjörn E. M. Nordling在最新论文中提出了一套系统的XAI评估框架。
研究团队首先将四种归因方法——原始注意力、注意力回滚、注意力流和Beyond Intuition——适配到RhythmFormer的双层路由注意力机制。该机制采用top-k稀疏选择，使得解释更具挑战性。其次，他们引入了皮肤覆盖度指标，用于量化归因权重在皮肤区域上的分布比例，从而将解释与生理学先验知识对齐。第三，他们将原本用于分类任务的SaCo忠实度系数改编至rPPG回归场景，通过原始预测与扰动后预测的rPPG波形之间的平均绝对误差（MAE）来衡量扰动影响。
应用这些工具后，作者定量揭示了稀疏top-k路由下的多跳泄漏效应：注意力回滚和流几乎完全恢复了各个精炼注意力层明确置零的连接。这意味着简单的归因方法可能高估了模型对非皮肤区域的依赖。相比之下，Beyond Intuition方法通过值投影加权回滚和梯度支持的掩码，有效缓解了这一问题。在UBFC-rPPG数据集上，Beyond Intuition取得了最高的精炼皮肤覆盖度（0.83，而标准回滚为0.57）和忠实度（F=0.92）。
尽管结果令人鼓舞，作者强调需要在更多样化的数据集和模型变体上进行验证。一个低SaCo异常值的案例研究表明，一旦替换伪影区域，所有四种方法都能一致恢复，表明归因家族在该案例中具有一致的SaCo行为。总之，这些指标将rPPG的XAI推向可审计的数值证据，包括空间对齐和扰动忠实度，从而迈向可信赖的rPPG XAI。