本研究提出了一种可比边际贡献采样（CMCS）方法，旨在解决Shapley值在特征解释中的计算复杂性，显著提升Top-k特征识别的效率，突破传统方法的局限。

介绍了一种名为CAFO的新的特征解释和评估框架，利用了具有通道注意力机制的卷积方法，通过深度可分离通道注意力模块和基于QR分解的损失来增强特征的重要性排序。验证了该框架在多元时间序列分类任务中的鲁棒性和信息能力。