論文の概要: Grad-CAM for Vision Transformers: A Systematic Taxonomy and Audit of Methodological Ambiguity in Explainable AI

• arxiv url: http://arxiv.org/abs/2608.05258v1
• Date: Wed, 05 Aug 2026 16:36:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.653285
• Title: Grad-CAM for Vision Transformers: A Systematic Taxonomy and Audit of Methodological Ambiguity in Explainable AI
• Title（参考訳）: 視覚変換器のためのGrad-CAM: 説明可能なAIにおける方法論的曖昧さの体系的分類と監査
• Abstract要約: 視覚変換器(ViT)は同じ構造ではなく、トークン、注意、残留ストリーム、マルチモーダル相互作用を通じて画像を表現する。 本稿では,Grad-CAMと関連する手法がどのように適応され,正当化され,ViTベースのアーキテクチャに対して報告されるか,系統的な分類と文献監査について述べる。
• 参考スコア（独自算出の注目度）: 2.558238597112103
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gradient-weighted Class Activation Mapping (Grad-CAM) is widely used to visualize model decisions, but it was originally formulated for convolutional neural networks, where spatial feature maps and channel dimensions have clear architectural meanings. Vision Transformers (ViTs) do not provide the same structure, instead representing images through tokens, attention, residual streams, and multimodal interactions. This paper presents a systematic taxonomy and literature audit of how Grad-CAM and related methods are adapted, justified, and reported for ViT-based architectures. From an initial search of more than 550 papers, we identify 175 papers that apply Grad-CAM or Grad-CAM-adjacent methods to ViTs. We find that most papers do not provide a full mathematical or implementation-level account of how Grad-CAM is adapted to transformer representations. To characterize this gap, we introduce a descriptive taxonomy of ViT Grad-CAM adaptations that makes explicit the feature locations, gradient targets, spatial reconstruction steps, and aggregation choices that are often left implicit. This taxonomy is not intended to prescribe a single correct adaptation, but to clarify the range of methodological choices being made. The study shows that Grad-CAM on ViTs is often treated as a trivial extension of CNN-based Grad-CAM, despite requiring nontrivial choices that affect rigor, reproducibility, and interpretation.
• Abstract（参考訳）: 勾配重み付きクラスアクティベーションマッピング(Grad-CAM)はモデル決定の可視化に広く用いられているが、もともとは畳み込みニューラルネットワークのために構成されていた。 視覚変換器(ViT)は同じ構造ではなく、トークン、注意、残留ストリーム、マルチモーダル相互作用を通じて画像を表現する。 本稿では,Grad-CAMと関連する手法がどのように適応され,正当化され,ViTベースのアーキテクチャに対して報告されるか,系統的な分類と文献監査について述べる。 550以上の論文を最初に検索した結果,Grad-CAM法やGrad-CAM-adjacent法をViTに適用した175の論文が同定された。 ほとんどの論文では、Grad-CAMがトランスフォーマー表現にどのように適合しているかの数学的、あるいは実装レベルの説明は提供されていない。 このギャップを特徴づけるために、VT Grad-CAM適応の記述的分類を導入し、特徴位置、勾配目標、空間再構成ステップ、暗黙的に残されるアグリゲーション選択を明確にする。 この分類法は、単一の正しい適応を規定することではなく、行われる方法論的選択の範囲を明確にすることを目的としている。 この研究によると、ViTs上のGrad-CAMは、厳密性、再現性、解釈に影響を及ぼす非自明な選択を必要とするにもかかわらず、CNNベースのGrad-CAMの自明な拡張として扱われることが多い。

関連論文リスト

• HiRA-CAM: Preserving Fine-Grained Spatial Relevance in Gradient-Based Visual Explanations [0.0]
  本稿では、畳み込みニューラルネットワーク(CNN)の解釈可能性に焦点を当てる。 改良されたHiRA-CAM法を提案し、オブジェクト分類に有用な塩分マップを作成する上で、LayerCAMとGrad-CAMの両方より優れていることを示す。
  論文  参考訳（メタデータ） (2026-08-19T19:44:43Z)
• Grad-ELLM: Gradient-based Explanations for Decoder-only LLMs [52.15785423211181]
  Grad-ELLMは、デコーダのみをベースとした大規模言語モデルのための勾配に基づく属性法である。 我々は、より公平な比較を提供する2つの忠実度指標$-Soft-NCと$-Soft-NSを導入する。 実験の結果,Grad-ELLMは他の属性法よりも優れた忠実性が得られることがわかった。
  論文  参考訳（メタデータ） (2026-01-06T15:22:39Z)
• Attention Guided CAM: Visual Explanations of Vision Transformer Guided by Self-Attention [2.466595763108917]
  本稿では,ViT に適応した注意誘導型可視化手法を提案する。 本手法は,クラスラベルのみを用いて,高精度なセマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティクスを提供する。
  論文  参考訳（メタデータ） (2024-02-07T03:43:56Z)
• ViT-ReciproCAM: Gradient and Attention-Free Visual Explanations for Vision Transformer [0.0]
  視覚変換器(ViT)は、画像分類や物体検出などの様々なコンピュータビジョンタスクにおいて優れた性能を示している。 ViTの最先端ソリューションは、クラスアテンション・ロールアウトと関連技術に依存している。 本稿では,注目行列や勾配情報を必要としないViT-ReciproCAMと呼ばれる,新しい勾配のない視覚的説明手法を提案する。
  論文  参考訳（メタデータ） (2023-10-04T05:09:50Z)
• BroadCAM: Outcome-agnostic Class Activation Mapping for Small-scale Weakly Supervised Applications [69.22739434619531]
  そこで我々はBroadCAMと呼ばれる結果に依存しないCAMアプローチを提案する。 VOC2012でBroadCAM、WSSSでBCSS-WSSS、WSOLでOpenImages30kを評価することで、BroadCAMは優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-09-07T06:45:43Z)
• Max Pooling with Vision Transformers reconciles class and shape in weakly supervised semantic segmentation [0.0]
  本研究は,CAMをベースとせず,ViT-PCM (ViT Patch-Class Mapping) と呼ばれる新しいWSSS手法を提案する。 当社のモデルは,PascalVOC 2012 $val$setで69.3%のmIoUを達成した,ベースライン擬似マスク(BPM)の最先端技術よりも優れています。
  論文  参考訳（メタデータ） (2022-10-31T15:32:23Z)
• Vision Transformers: From Semantic Segmentation to Dense Prediction [139.15562023284187]
  視覚的予測のための視覚変換器(ViT)のグローバルな文脈学習の可能性について検討する。 我々のモチベーションは、グローバルコンテキストを全受容界層で学習することで、ViTがより強力な長距離依存性情報を取得することである。 階層型ローカル・グローバル・トランスフォーマー (HLG) のファミリを定式化し, 窓内部の局所的な注意と, ピラミッド建築における窓全体のグローバルアテンションを特徴とする。
  論文  参考訳（メタデータ） (2022-07-19T15:49:35Z)
• Graph Adaptive Semantic Transfer for Cross-domain Sentiment Classification [68.06496970320595]
  クロスドメイン感情分類(CDSC)は、ソースドメインから学んだ伝達可能なセマンティクスを使用して、ラベルなしのターゲットドメインにおけるレビューの感情を予測することを目的としている。 本稿では、単語列と構文グラフの両方からドメイン不変セマンティクスを学習できる適応型構文グラフ埋め込み法であるグラフ適応意味伝達(GAST)モデルを提案する。
  論文  参考訳（メタデータ） (2022-05-18T07:47:01Z)
• Unsupervised Motion Representation Learning with Capsule Autoencoders [54.81628825371412]
  Motion Capsule Autoencoder (MCAE) は、2レベル階層のモーションをモデル化する。 MCAEは、新しいTrajectory20モーションデータセットと、様々な現実世界の骨格に基づく人間のアクションデータセットで評価されている。
  論文  参考訳（メタデータ） (2021-10-01T16:52:03Z)
• Eigen-CAM: Class Activation Map using Principal Components [1.2691047660244335]
  この論文は、解釈可能で堅牢で透明なモデルに対する需要の増加に対応するために、従来の考え方に基づいている。 提案したEigen-CAMは、畳み込み層から学習した特徴/表現の基本的なコンポーネントを計算し、視覚化する。
  論文  参考訳（メタデータ） (2020-08-01T17:14:13Z)
• Towards Interpretable Semantic Segmentation via Gradient-weighted Class Activation Mapping [71.91734471596432]
  本稿では,セマンティックセグメンテーションの解法としてSEG-GRAD-CAMを提案する。 本手法は,各画素のセグメンテーションに対する関連性を示すヒートマップを作成するために局所的に適用された広く使われているGrad-CAM法の拡張である。
  論文  参考訳（メタデータ） (2020-02-26T12:32:40Z)
• Adapting Grad-CAM for Embedding Networks [35.72501942570962]
  組込みネットワークに対するGrad-CAM法の適応性を提案する。 まず、Grad-CAMの安定性を向上させるために、複数のトレーニング例からグラデートウェイトを集約する。 そこで我々は,バックプロパゲーションを伴わない任意の画像に対する決定を効率的に説明するための重み移動法を開発した。
  論文  参考訳（メタデータ） (2020-01-17T21:21:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。