CAM解释方法课题方向

CAM解释方法的课题方向主要是基于梯度/特征的方法。CAM（Class Activation Map）是一种可解释性分析方法，通过全局平均池化（GAP）层，获得指定类别对最后一层卷积层输出的每个特征图Channel权重，进而计算CAM类激活热力图，展示指定类别在原图上重点关注的特征区域。CAM算法能够打破深度学习的黑箱子，让人工智能展示自己的“注意力"和“学到的特征”。CAM解释方法的目标是通过解释深度学习模型的输出，使得机器学习模型的决策过程更加可解释和可信赖。CAM解释方法可以应用于图分类任务（GC）和节点分类任务（NC），并且可以解释节点（N）、边（E）、节点特征（NF）和图游走（Walk）等不同的对象。CAM解释方法是一种基于梯度/特征的方法，它通过计算梯度或特征来解释深度学习模型的输出。CAM解释方法在解释阶段通常将训练好的GNNs作为黑盒处理，并且具有针对图数据的具体设计。\[2\]\[3\]
#### 引用[.reference_title]
- *1* *3* [图神经网络的解释性综述！](https://blog.csdn.net/qq_33431368/article/details/116452985)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down28v1,239^v3^insert_chatgpt"}} ] [.reference_item]
- *2* [[可解释机器学习]Task03：[算法]CAM](https://blog.csdn.net/m0_59286668/article/details/128358318)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down28v1,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]