G検定 用語解説
Grad-CAMとは
目的とする概念に対する勾配を使い、CNNが予測で重視した画像領域を粗い位置特定マップで示す手法。CAMを一般化した手法で、CNN系モデルに構造の変更や再学習なしで適用できる。
まず押さえる結論
Grad-CAMは、G検定の「大項目6 ディープラーニングの応用例」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-07-03。
試験概要（公式）試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×物体検出（R-CNN系/YOLO/SSD）とセグメンテーション（セマンティック＝画素単位の塗り分け、インスタンス＝個体ごとに区別）の混同。
×word2vec・BERT・GPTの違い（BERT＝前後両方向、GPT＝一方向・自己回帰）。
×強化学習の応用（DQN、AlphaGo）と画像/言語タスクの取り違え。
関連する確認問題
大項目6 ディープラーニングの応用例 / モデルの解釈性・軽量化
CAMとGrad-CAMの違いを説明したものとして、最も適切なものはどれか。
正解は、CAMは全体平均プーリングを含む構成を前提に出力層の重みを使い、Grad-CAMは勾配を使うためCAMの一般化として全結合層を持つCNNにも構造変更や再学習なしで適用できる、という説明。Zhouらは、最終出力層の直前に全体平均プーリングを置く構成で、出力層の重みを畳み込み特徴マップへ射影し直す手法をCAMと呼んだ。Selvarajuらは、目的の概念に対する勾配が最終畳み込み層へ流れ込む量を使い、VGGのように全結合層を持つCNNなど幅広いモデルに構造変更や再学習なしで適用できるGrad-CAMを提案し、CAMの一般化と位置づけている。他の選択肢が挙げるシャッフル、局所モデルの学習、シャープレイ値は、それぞれPermutation Importance、LIME、SHAPの説明である。
大項目6 ディープラーニングの応用例 / モデルの解釈性・軽量化
画像分類用のCNNで、最終出力層の直前に全体平均プーリング（GAP）を置き、出力層の重みを最後の畳み込み層の特徴マップへ射影し直して、クラスごとに判断の根拠になった画像領域を示す手法はどれか。
正解はCAM（Class Activation Mapping）。Zhouらの論文は、最終出力層の直前で畳み込み特徴マップに全体平均プーリングを行い、その特徴を全結合層へ入力する構成にしたうえで、出力層の重みを畳み込み特徴マップへ射影し直すと画像領域の重要度が分かるとして、この手法をクラス活性化マッピングと呼んでいる。得られるクラス活性化マップは、CNNがそのカテゴリを識別するために使った画像領域を示す。Grad-CAMは出力層の重みではなく勾配を使い、LIMEは予測の周辺で解釈しやすいモデルを学習し、SHAPは各特徴量にシャープレイ値に基づく重要度を割り当てる手法であり、いずれも「全体平均プーリングと出力層の重みを使う」という条件には当てはまらない。
大項目6 ディープラーニングの応用例 / モデルの解釈性・軽量化
全結合層を持つ学習済みのCNN（VGGなど）が「犬」と判定した根拠を、モデルの構造変更や再学習をせずに画像上で示したい。目的のクラスに対する勾配が最終畳み込み層へ流れ込む量を使って、重要な領域を粗い位置特定マップとして示す手法はどれか。
正解はGrad-CAM（Gradient-weighted Class Activation Mapping）。Selvarajuらの論文は、目的とする概念に対する勾配が最終畳み込み層へ流れ込む量を使い、その概念を予測するうえで重要な画像領域を強調する粗い位置特定マップを作る手法だと述べている。全結合層を持つCNN（VGGなど）にも、構造の変更や再学習なしで適用できるとされる。CAMは全体平均プーリングを含む構成を前提とするため、VGGのように全結合層を持つ既存のモデルをそのまま説明する用途には当てはめにくい。LIMEは予測の周辺で解釈しやすいモデルを学習する手法、Permutation Importanceは特徴量の値をシャッフルして性能の悪化を見る手法で、勾配や最終畳み込み層の情報は使わない。
同じ章で確認したい用語
到達チェック
- Grad-CAMを一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、Grad-CAMに関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）