Evaluation of Concept-Rank Collapse Audits for Computer Vision Agriculture Disease Classifiers Under Low-Label Regimes: An Interpretability Capacity Bound for Smallholder Fungicide Selectivity
Akshay Ramgoolam · Priya Bundhoo Appadoo · Jean-Noël LEspérance
提出可解释性容量上界，评估低标签下概念秩崩溃审计的可靠性。
将分类器建模为概念秩算子，推导容量上界并做2000格功效模拟。
审计可靠性随概念秩谱与标签预算下降；5个百分点效应需52个聚类达80%功效。
可将容量上界用于小农户杀菌剂选择性决策的可解释模型审计与标签预算设计。
理论方法论文，提出可解释性容量上界并给出审计功效分析，对智慧农业病害识别可信度有参考价值，但属小众方法学研究、缺乏田间实证，暂不宜进入每日精选。
面向植物病害分类器的基于概念的可解释性方法，通常以其概念激活是否与人工标注标签相关作为评价标准，但该标准对一个更先前的问题保持沉默：分类器的内部表征是否保留了足够的概念秩结构，从而使任何审计具有信息量。本分析将该先前问题形式化为一个可解释性容量上界。分类器被建模为概念秩算子，其奇异值支配着从像素空间到类别logits的投影中概念级信号得以保留的程度，并将坍缩审计定义为保留的概念秩能量与总概念能量之比。在低标签情形下，概念标注稀缺且审计必须由少量标注样本估计，该上界预测审计可靠性会随概念秩谱和标签预算的函数而退化。本分析是一项理论和方法论贡献：推导出该上界，陈述坍缩审计可识别的条件，并在声明的方差结构（簇间SD = 6.0，残差SD = 4.5，组内相关系数 = 0.64）下刻画审计作为决策程序的操作特征。在2000个设计单元中，针对簇数为8、16、24和32以及效应量为3、5和8个百分点的情形估计了功效；在80%功效下达到5个百分点需要52个簇。该上界将概念审计重新框定为容量检验而非保真度检验，并对可解释病害分类器应如何支持小农杀菌剂选择性决策具有启示意义。