摘要
随着卷积神经网络在安全关键领域的广泛应用，对透明、判别性解释的需求日益迫切。然而，基于梯度的方法（如Grad-CAM）仅针对单一类别得分计算解释，生成的显著性图会激活与竞争类别共享的区域。这一局限性在多类别和细粒度识别场景中尤为严重，非判别性解释降低了方法的实用价值，并阻碍了对模型的可靠审计。本研究通过提出对比梯度流解释（Contrastive Gradient-Flow Interpretation, CGFI）为该领域的知识体系作出贡献。CGFI是一种作用于梯度加权归因图的算子，其应用对比原则——即通过建模"某类别不是什么"来增强判别性——生成具有类别判别性的解释图。CGFI显式建模前K个竞争类别，计算其聚合的梯度归因，并在特征图级别上从目标类别的归因中减去其影响，从而突出预测类别所独有的特征区域。该研究在四个骨干网络（Grad-CAM、Grad-CAM++、XGrad-CAM、Score-CAM）上进行了评估，分别在ResNet-50、VGG-16和VGG-19上测试了有无对比的两种情况。在所评估的1162个图像-骨干网络组合中，CGFI均降低了目标类别与竞争类别之间的排名相关性，并在12个案例中的11个提升了目标概率份额，同时保持了归因的保真度。这些发现表明，对比归因是提高解释特异性的有效机制。
