该研究专注于恶意软件检测领域中的二进制到图像转换技术，并引入可解释人工智能（XAI）工具来提升模型的可解释性。作者使用 Gradient-weighted Class Activation Maps (Grad-CAM) 作为解释工具，分析了由恶意软件样本生成的八种不同图像表示类型。研究目标包括：通过定量指标评估 Grad-CAM 热图的忠实度（faithfulness）和稳定性（stability），并将其与另一种解释方法 HiResCAM 进行对比；同时验证 Grad-CAM 特征能否用于恶意软件分类。实验表明，利用 MobileNetV2 卷积神经网络从 Grad-CAM 图像中提取特征，再使用随机森林分类器，可以在包含 17 个恶意软件家族的数据集上达到 0.777 的测试准确率，超过了该数据集之前 0.750 的基准结果。此外，研究还发现一个关键现象：在所选用的八种图像变换中，分类准确率与解释的忠实度并不一致，即能够产生最忠实解释的图像变换方法，其分类准确率仅处于中等水平。这一发现对恶意软件检测模型的设计与评估具有重要意义，提示在追求高准确率的同时需要兼顾可解释性。该工作为后续将 XAI 引入恶意软件分析提供了定量分析和实证基础。