在人工智能蓬勃發展的今天，深度神經網絡(DNN)雖在圖像分類等領域表現卓越，卻因復雜的內部機制被稱為"黑箱"。這種不可解釋性嚴重制約了其在醫療診斷、自動駕駛等關鍵領域的應用。傳統解釋方法如梯度加權類激活圖(Grad-CAM)和層間相關性傳播(LRP)雖能生成顯著性圖，但存在噪聲干擾大、無法揭示深層語義等問題。如何讓AI的決策過程像人類一樣透明可理解，成為制約技術落地的關鍵瓶頸。

針對這一挑戰，某大學的研究團隊在《Computer Vision and Image Understanding》發表創新成果，提出屬性引導相關性傳播(ARP)方法。該方法通過三個關鍵技術突破：1) 在預訓練分類器的特定層添加可訓練屬性層，采用正向-正向(FF)算法進行層間獨立訓練；2) 引入固有類別模式(ICP)增強類間區分度；3) 構建屬性嵌入空間實現關鍵區域與訓練樣本的匹配。研究使用CUB-200-2011和ImageNet數據集，在VGG-16、ResNet-50、ConvNeXt和ViT等模型上驗證效果。

研究結果部分，通過四個維度系統驗證了ARP的優越性：

在指向性游戲測試中，ARP-LRP組合在CUB數據集上達到61.96%的AUC值，較基礎LRP提升9.11個百分點。特別是對于非類別判別性的原始LRP算法，ARP使其顯著性圖獲得類間區分能力。

擾動實驗顯示，ARP-CLRP在ImageNet數據集上取得90.92%的LeRF分數和59.78%的MoRF分數，證明其能準確識別對分類真正關鍵的像素區域。當逐步擾動非關鍵像素時，模型準確率保持穩定；而擾動ARP標識的關鍵區域則導致性能急劇下降。

分割任務評估表明，ARP在像素精度(PA)、平均精度(mAP)和平均交并比(mIoU)三項指標上全面領先。以ConvNeXt-S為例，ARP使mIoU達到0.606，較最優基線提升3.1%，顯示其像素級定位的精確性。

典型案例分析揭示，ARP能有效過濾背景干擾。對于"角海雀"圖像，傳統方法將樹枝誤判為相關特征，而ARP準確聚焦鳥類本體；面對"鏡面倒影"等復雜場景，ARP成功區分實體與倒影，這是現有方法未能實現的突破。

該研究的創新價值體現在三方面：首先，ARP首次實現了解釋過程中多層次語義屬性的自動挖掘與融合；其次，通過提供與顯著性區域相關的訓練樣本，建立了從"可視化"到"可理解"的完整解釋鏈條；最后，方法具有架構普適性，可擴展至Transformer等新型網絡。這些突破為醫療影像分析、工業質檢等需要高可靠性解釋的場景提供了新工具，標志著可解釋AI從"粗粒度定位"邁向"細粒度語義解釋"的新階段。未來通過優化屬性多樣性策略和計算效率，ARP有望成為深度學習模型的標準解釋模塊。