44-EFT.WP.Data.ModelCards v1.0 | 第11章 评测协议与指标

目录 ／ 文档-技术白皮书（V5.05） ／ 44-EFT.WP.Data.ModelCards v1.0

第11章 评测协议与指标

I. 章节目的与范围

II. 字段与结构（规范性）

evaluation:

protocol:

splits: "frozen" # 必须使用冻结切分

seeds: [0,1,2,3,4] # 随机种子集合

repeats: 5 # 重复次数

batch_size_eval: 256 # 评测批量（显式化）

significance: {test:"permutation|bootstrap", alpha:0.05}

ci: {method:"bootstrap-bca", level:0.95, samples:1000}

reporting_time: "wallclock|device-normalized"

online_consistency: {shadow_mode:true, window:"7d"}

metrics: # 指标清单（按任务分组）

classification: ["accuracy","f1_macro","roc_auc","pr_auc","ece","brier"]

retrieval: ["map","recall@k","mrr"]

detection: ["mAP@0.50:0.95","mAP@0.50","AR@k"]

regression: ["rmse","mae","mape","nll"]

timeseries: ["rmse","mae","qloss@{0.1,0.5,0.9}"]

fairness: # 公平性评测

axes: ["class","region","device"]

gap_metric: "abs_diff|ratio"

threshold: 0.05

robustness: # 鲁棒性/分布偏移/对抗

shift_tests: ["snr_drop","time_jitter","spec_notch"]

adversarial: {enabled:false, norm:"Linf", epsilon:0.01}

drop_rel_max: 0.10

calibration: # 校准与覆盖

report: ["ece","brier","calibration_curve"]

coverage: {target_p:0.95, method:"tolerance|bayes"}

leakage_checks: ["object","timewindow","scene"]

see:

- "EFT.WP.Data.DatasetCards v1.0:Ch.11"

- "EFT.WP.Core.Metrology v1.0:check_dim"

III. 冻结切分与随机性

• 冻结切分：评测必须使用数据卡的冻结索引；splits="frozen" 为阻断项。
• 随机性：给出 seeds 与 repeats；报告均值与区间（ci），并记录评测批量与设备以保证可比。
• 显著性：差异比较需提供置换检验或自助法 p 值，alpha 默认 0.05。

IV. 指标定义与报告口径

• 分类：accuracy、f1_macro（宏平均）、roc_auc、pr_auc；校准：ece、brier。
• 检索：map、recall@k、mrr；需说明候选规模与去重策略。
• 检测：mAP@0.50:0.95 与 mAP@0.50，匹配准则与 IoU 范围显式化。
• 回归/时序：rmse/mae/mape/nll；单位与量纲通过计量章校核。
• 时延/吞吐/能耗：作为评测补充指标，声明设备/批量/并发并通过 check_dim。
• 区间：所有点估计均需配 95% 置信区间（默认 Bootstrap-BCa）。

V. 鲁棒性与分布偏移

• 合成偏移：至少包含 snr_drop（信噪降低）、time_jitter（时间抖动）、spec_notch（频带缺口）；报告相对降幅 Δ_rel，阈值 drop_rel_max 为阻断项。
• 对抗性（如启用）：声明范数与幅度（‖δ‖_p ≤ ε），给出期望稳健度曲线。

VI. 公平性评测

• 轴：class/region/device 等；差异度量 gap_metric（绝对差或比值）与阈值 threshold；若超阈，需报告缓解策略与再评测结果。
• 结果需与数据卡 coverage 一致对照，避免采样差异造成假阳性。

VII. 校准与不确定度

• 报告 ece/brier 与校准曲线；置信或覆盖区间需要给出估计方法（容忍区/贝叶斯）。
• 与计量不确定度合成时，先做单位归一，再合成并报告总不确定度。

VIII. 线上一致性与回放

• Shadow/Canary：在不影响线上决策的前提下做影子评测；窗口与采样率显式化。
• 回放：脱敏日志回放需与离线评测指标一致，偏差超阈需说明。

IX. 机器可读片段（可直接嵌入）

evaluation:

protocol:

splits: "frozen"

seeds: [0,1,2,3,4]

repeats: 5

batch_size_eval: 256

significance: {test:"permutation", alpha:0.05}

ci: {method:"bootstrap-bca", level:0.95, samples:1000}

reporting_time: "device-normalized"

metrics:

classification: ["f1_macro","roc_auc","ece","brier"]

detection: ["mAP@0.50:0.95","mAP@0.50"]

fairness: {axes:["class","region"], gap_metric:"abs_diff", threshold:0.05}

robustness: {shift_tests:["snr_drop","time_jitter","spec_notch"], drop_rel_max:0.10}

calibration: {report:["ece","brier","calibration_curve"], coverage:{target_p:0.95, method:"tolerance"}}

leakage_checks: ["object","timewindow"]

X. 导出清单与审计轨

export_manifest:

artifacts:

- {path:"eval/summary.csv", sha256:"..."}

- {path:"eval/by_axis_fairness.csv", sha256:"..."}

- {path:"eval/robustness_shift.csv", sha256:"..."}

- {path:"eval/calibration_curve.png", sha256:"..."}

references:

- "EFT.WP.Core.DataSpec v1.0:EXPORT"

- "EFT.WP.Core.Metrology v1.0:check_dim"

- "EFT.WP.Data.DatasetCards v1.0:Ch.11"

XI. 本章合规自检

• 使用冻结切分；seeds/repeats/ci/significance 已显式记录，批量与设备口径清晰。
• 指标与单位/量纲一致；分类/检索/检测/回归/时序与校准指标覆盖到位。
• 鲁棒性与公平性条目完备并通过阈值要求；对抗评测（如启用）记录范数与幅度。
• 线上一致性（shadow/canary）说明完备；回放指标与离线一致或给出偏差解释。
• 导出清单包含评测数据与图表及 sha256，引用采用“卷名 vX.Y:锚点”。