本文介绍了一种新的框架，通过提取和聚类高度激活CNN神经元的输入表征模式来解释多元时间序列数据，并构建一个捕获每层提取模式的时间关系的图形，最后使用图形嵌入算法生成可解释的时间序列特征表示。实验证明该框架在MTS分类中具有明显优势，并丰富了可解释性。

本文介绍了一种新的框架，通过提取和聚类高度激活 CNN 神经元的输入表征模式来解释多元时间序列数据，并构建一个捕获每层提取模式的时间关系的图形，最后使用图形嵌入算法生成可解释的时间序列特征表示。实验证明该框架在 MTS 分类中具有明显优势，并丰富了它们的可解释性。

该文介绍了一种新的框架，通过提取和聚类高度激活CNN神经元的输入表征模式来解释多元时间序列数据，并构建一个捕获每层提取模式的时间关系的图形，最后使用图形嵌入算法生成可解释的时间序列特征表示。

本文介绍了一种新的框架，通过提取和聚类高度激活CNN神经元的输入表征模式来解释多元时间序列数据，并构建一个捕获每层提取模式的时间关系的图形，最后使用图形嵌入算法生成可解释的时间序列特征表示。通过实验证明了该框架在MTS分类中具有明显优势，并丰富了它们的可解释性。