1置信校准、选择性预测与拒绝
闭卷重建置信校准、选择性预测与拒绝的对象、公式、算例、算法与失败边界。
计算机视觉 · 小纸条
选一章打印。双面打印（按长边翻页）后沿虚线剪开，每张卡片正面题目、背面答案。
第 1 页 · 正面（题目）
2公平性、数据代表性与切片
闭卷重建公平性、数据代表性与切片的对象、公式、算例、算法与失败边界。
3隐私、人脸与可逆特征风险
闭卷重建隐私、人脸与可逆特征风险的对象、公式、算例、算法与失败边界。
4可解释性、显著图与因果证据
闭卷重建可解释性、显著图与因果证据的对象、公式、算例、算法与失败边界。
5数据版本、标注质量与可追溯性
闭卷重建数据版本、标注质量与可追溯性的对象、公式、算例、算法与失败边界。
6视觉推理延迟、吞吐与能耗
闭卷重建视觉推理延迟、吞吐与能耗的对象、公式、算例、算法与失败边界。
7安全案例、监控与模型更新
闭卷重建安全案例、监控与模型更新的对象、公式、算例、算法与失败边界。
第 1 页 · 背面（答案）
对象：视觉性能可能随肤色、年龄、地域、设备和环境变化；总体均值不能替代群体切片和用途审查。；公式：worst-group metric=min metric_g over declared groups。；算例：三组召回.95,.9,.6，最差组召回.6而非总体均值。；边界：为凑均衡复制少数样本却无场景多样性；敏感属性标签来源不合法。。
对象：高风险系统应在不确定时拒绝或转人工；覆盖率降低通常能提高保留样本风险表现。；公式：selective risk=errors among accepted/accepted count。；算例：100例接受80例，其中4错，选择性风险5%。；边界：只报拒绝后的准确率不报覆盖；拒绝集中伤害某群体。。
对象：显著图显示输出对输入变化的敏感性，不自动说明人类因果理由；解释方法也需忠实度与稳定性测试。；公式：deletion faithfulness compares score drop after removing important regions。；算例：移除显著区域分数从.9降到.4，下降.5，但仍需与随机区域对照。；边界：把彩色热图当证明；解释对模型参数随机化仍不变。。
对象：图像含身份、位置、屏幕和旁观者信息；embedding也可能被链接或反演，需最小化、访问和保留控制。；公式：privacy pass=purpose∧necessity∧consent/legal basis∧security∧deletion。；算例：只需人数统计却保存原始人脸视频和永久特征，违反必要性与保留最小化。；边界：打码后原图仍在日志；把embedding称完全匿名。。
对象：端到端视觉包含解码、预处理、传输、模型和后处理；批处理提升吞吐却增加等待和显存。；公式：latency=queue+decode+preprocess+model+postprocess。；算例：阶段3、4、2、20、6ms，总35ms。；边界：只报模型kernel时间；热降频前短测。。
对象：数据集需记录来源、许可、采集条件、标注指南、版本、去重和划分；标注分歧本身是信号。；公式：agreement rate=agreed items/all jointly labeled items。；算例：两标注者共同标100例、同意85例，一致率85%。；边界：在线覆盖原标注无审计；同一视频帧跨划分。。
对象：视觉模型上线后需监控输入漂移、置信、业务错误和人工复核；更新要兼容、灰度、回滚并防数据投毒。；公式：release gate=quality∧safety∧privacy∧latency∧monitoring∧recovery。；算例：六项门禁中监控未就绪，即使离线mAP更高也不能发布。；边界：线上错例自动回灌无审核；新模型覆盖旧版本不可复现。。