一个错误，三个层次：深度相关下的持续性规则

逐层探测冻结表征如今已是标准做法，但报告信号首次变得可解码的时间点，需要一条读取深度曲线的规则，而那条显而易见的规则是错的。在具有已知真值的合成曲线上，要求探测分数连续三个阶段超过经零假设校准的阈值，在类似 transformer 的深度相关性下会提前十九个阶段报告起始点，且每次重采样都会返回一个起始点。这一失败源于相邻层之间的相关性，这种风险在神经影像学中已知，但据我们所知，尚未在深度曲线上被检查过。我们给出一个误差率经过校准而非假设的估计器。零轨迹通过在每个评估单元内置换标签、并让每次置换在深度上保持固定来构建，从而保留该规则必须承受的相关性结构；阈值是逐层的次序统计量；持续性要求是经过校准而非任意选择的。将其应用于冻结共折叠主干中的口袋信息，按蛋白家族和口袋熟悉度对 1,820 个截止后靶标进行分层，五阶段规则在 4% 到 7% 的零轨迹上触发，而名义值为 5%，三阶段规则则在 12% 到 17% 上触发：合成数据中的失败在真实数据上重现了。口袋归属在全部四种情形下的所有 48 个块上都高于阈值可解码，因此起始点无法区分它们；预先声明的累积深度可以区分，并且在每个特征集中，对于口袋结构新颖的熟悉家族都最晚。该情形也是最弱的，其差距在控制长度、口袋度量和比对深度后依然存在。另外，一个广泛使用的公开共折叠检查点在加载其自身代码时缺少 128 个主干参数；这些参数会被随机初始化，而提取出的每个表征都会部分为噪声，同时看起来正常。

中文由 AI 翻译，仅供参考，以原文为准。