[LAB 08 · 图像重建：遮挡损失与表示评价](/course/notebooks/b5ba27f2c5ba4ec0922208a7d5dc80a4.html)

# 表示评价给出另一份证据
[独立阅读](/course/notebook-blocks/9d3c3c729ad94cdb91c0b82cb281f340.html)
按问题继续

索引恢复、去噪/遮挡ConvAE训练、PCA基线、独立冻结评价

## 表示评价给出另一份证据

| 清洁h的冻结5-NN | 保留集数字准确率 |
| --- | --- |
| 去噪架构：随机初始化 | 84.26% |
| 去噪架构：训练后 | 95.00% |
| 遮挡架构：随机初始化 | 88.52% |
| 遮挡架构：训练后 | 92.04% |

![训练目标、遮挡率与冻结表示评价](/assets/display/465d25279b3f0056d4e19f7e.webp)

训练后的瓶颈在这次固定切分上比各自随机基线更适合数字近邻识别。两种随机基线不同，因为遮挡模型多一个输入通道，种子也独立；不能只比较95%和92.04%就宣称去噪在所有任务上更好。该切分以源图为单位，没有写作者分组，因此它也不证明跨写作者泛化。

对照 [LAB 06](https://deepnote.com/project/38755e4e-23f6-4f5f-8c68-8a2e4114b1c1/notebook/7c4f531113d7473abc174e2e014e1340)：那里训练损失下降可以同时损害某项下游能力。这里重建和读出都改善，是实际测到的共同变化，不是从“无监督”这个名称推导出来的保证。