في عالم الذكاء الاصطناعي المتسارع، يُعد Class Activation Mapping (CAM) واحدًا من أبرز الأساليب المستخدمة لفهم كيفية اتخاذ نماذج الذكاء الاصطناعي لقراراتها. تم تصميم CAM لتحويل الأدلة الداخلية للنموذج إلى خريطة حرارية تعكس المناطق في الصورة، القنوات التلافيفية، أو الرموز التي تدعم فئة أو مفهوم معين.

منذ تقديم أول صياغة لـ CAM في عام 2016، تطور هذا المجال بشكل كبير، متجاوزًا الطرق التقليدية مثل مصنفات CNN ذات متوسط التجميع العالمي. إذ تشمل أساليب CAM الآن طرقًا تفسيرية تعتمد على التدرجات، طرقًا خالية من التدرجات لتقييم الدرجات، وتوسيع المقاييس عالية الدقة، فضلاً عن تقنيات تتحكم في تباين الرموز.

تتناول هذه المراجعة تحليلاً عميقًا لـ 57 ورقة بحثية متعلقة بطريقة CAM نشرت منذ عام 2016. وقد تم تطوير تصنيف يفصل الطرق حسب آلية النسبة، الاعتماد المعماري، والهدف التقييمي. كما تمت مراجعة أساليب CAM المستندة إلى التدرجات، وأساليب CAM الهجينة الحديثة، والطرق المعتمدة على النموذج أو المستندة إلى البنية.

يمكن ملاحظة اتجاه واضح في هذا المجال: الانتقال من تفسير درجة فئة واحدة في طبقة CNN ذات دقة منخفضة إلى تفسيرات مقارناتية متعددة الطبقات، تدرك الرموز وتركز على نماذج الأساس.

ومع ذلك، لا تزال عملية التقييم مفرقة، حيث تُقاس الخصوصية، التوطين، المتانة، تكلفة المعالجة، والثقة البشرية بمناهج مختلفة. لذلك، تسلط هذه المراجعة الضوء ليس فقط على ما يساهم به كل أسلوب، بل أيضًا على الفجوات التي يتركها، وأي الأساليب اللاحقة تحاول تغطية تلك الفجوات.