Core Concepts
CAMベースの手法は、モデルの決定に関連のない部分にも重要なスコアを割り当てることができる。
Abstract
本論文では、CAMベースの解釈可能性手法の信頼性について検討している。
理論的な分析では、単純なマスクされたCNNモデルにおいて、GradCAMの説明が初期化時に正の値を示すことを示した。これは、モデルが見ることのできない部分の情報を使っていないにもかかわらずである。
実験的には、ImageNetデータセットで訓練されたVGG16ベースのモデルを用いて、CAMベースの手法が見えない部分にも重要なスコアを割り当てることを確認した。これは2つの新しいデータセットを使って定量的に評価した。
CAMベースの手法は実用的には良好な結果を示すが、モデルの振る舞いを誤って解釈する可能性があるため、注意が必要である。
Stats
モデルの予測スコアyと、活性化マップBの一部を0にした時の予測スコアyvの差は、AblationCAMの重み係数αp6q
vに使われている。