Evaluation

Evaluation note는 model quality를 정직하게 측정하는 방법을 모읍니다. 핵심은 data를 어떻게 나누고, leakage를 어떻게 찾고, confidence를 어떻게 calibrate하고, training distribution 밖 generalization을 어떻게 검증하는가입니다.

반복되는 원칙은 단순합니다. Metric은 그 뒤의 split과 protocol만큼만 믿을 수 있습니다. 재현되지 않는 reported gain은 modeling 문제가 아니라 evaluation 결함에서 나오는 경우가 많습니다.

기본 estimate는 held-out risk입니다.

이 값은 held-out set이 의도한 generalization claim과 맞을 때만 의미가 있습니다.

Evaluation Contract

Evaluation note는 score 하나가 아니라 claim을 지지하는 증거 계약입니다.

PartMeaningTypical question
claim무엇이 더 낫거나 충분하다고 말하는가?
task contractinput, output, allowed context, invalid output은 무엇인가?
evaluation set어떤 population, split unit, exclusion rule을 대표하는가?
selection rulecheckpoint, threshold, prompt, sampler, hyperparameter를 어떻게 골랐는가?
metricerror, utility, calibration, ranking, generation quality 중 무엇을 측정하는가?
uncertaintyconfidence interval, seed variance, paired comparison, subgroup variance가 있는가?
baseline비교 대상이 같은 data, budget, allowed information을 쓰는가?

This is the practical rule:

이동 지도

질문시작점이어서 확인할 것
score가 어떤 claim을 support하는가?Claim-evidence boundary, Benchmark claim contracttask, split, metric, baseline
evaluation set이 유효한가?Evaluation protocol, Evaluation set designsampling, exclusion, contamination
task에 맞는 metric은 무엇인가?Metric, Metric selectiondenominator, threshold, aggregation
classification 또는 detection인가?Confusion matrix, Precision and recall, Classification metricsprevalence와 threshold
probabilistic prediction인가?Probability metrics, Proper scoring rule, Brier score, Calibrationreliability와 NLL
ranking, retrieval, screening 중 무엇인가?Ranking metrics, Negative setlabel completeness와 candidate pool
regression 또는 structure인가?Regression metricsunit, target scale, censoring, coordinate mapping
generation인가?Generation evaluationvalidity, diversity, novelty, task utility
improvement를 믿을 수 있는가?Baseline, Paired comparison, Confidence intervalseed variance와 effect size
leakage 가능성이 있는가?Leakage, Test-set contamination, test splitexample unit과 split unit

Evaluation Stack

Evaluation은 metric 하나가 아니라 stack입니다.

각 층이 빠지면 score는 좁은 observation일 뿐입니다.

LayerDefinesCommon Failure
Claim결과가 무엇을 말할 수 있는가benchmark score를 general ability로 과장
Taskinput, output, allowed context다른 task를 같은 metric으로 비교
Data and split어떤 population과 holdout을 보는가random split으로 OOD claim
Selection rulecheckpoint, threshold, prompt, sampler를 어떻게 고르는가test feedback으로 best setting 선택
Metric어떤 error or utility를 숫자로 만드는가decision cost와 metric 불일치
Uncertaintyscore 차이가 얼마나 안정적인가seed variance 안의 차이를 improvement로 해석

Claim-First Workflow

논문, 프로젝트, benchmark note를 읽을 때는 아래 순서가 가장 안전합니다.

  1. Claim을 한 문장으로 줄입니다.
  2. Example unit과 split unit을 고정합니다.
  3. Final test 전에 고른 selection rule을 찾습니다.
  4. Primary metric과 diagnostic metric을 분리합니다.
  5. Baseline이 같은 data, budget, allowed information을 쓰는지 확인합니다.
  6. Confidence interval, seed variance, paired comparison, subgroup variance 중 하나로 안정성을 봅니다.

이 흐름은 AI Evaluation의 domain-neutral 버전입니다. Molecule, protein, docking, assay처럼 object identity가 중요하면 Computational Biology data and evaluation에서 split과 leakage를 다시 봅니다.

Metric Is Not Protocol

Metric은 protocol 안에서만 의미가 있습니다.

는 선택된 model/checkpoint/prompt/threshold이고, 은 preprocessing, filtering, denominator, aggregation, invalid-output policy입니다. 같은 metric 이름이라도 이 다르면 같은 evidence가 아닙니다.

Same metric, different protocolWhy comparison breaks
different denominatorfailed examples may be hidden
different threshold rulevalidation and test evidence are mixed
different candidate poolranking or screening task changes
different preprocessingfeature availability and leakage differ
different split unitgeneralization claim changes
different budgetscore may reflect data, compute, or search budget

Split Unit Before Metric

Evaluation은 먼저 어떤 unit이 train/test를 가르면 안 되는지 정해야 합니다.

DomainExample unitSplit unit to consider
image classificationimagesource, subject, time, class subgroup
text or LLM taskprompt/task instancedataset source, template, benchmark, time
retrievalquery-document pairquery, document source, corpus time
molecule propertymolecule recordscaffold, assay source, time
protein tasksequence or structurefamily, homolog cluster, template/source
dockingprotein-ligand complexligand scaffold, protein family, complex pair
agent tasktask traceenvironment, tool set, workflow template

Wrong split unit makes even a clean metric misleading.

Decision-Oriented Metrics

Metric은 최종 decision과 맞아야 합니다. 같은 model output이라도 decision이 다르면 primary metric도 달라집니다.

DecisionPreferWatch
classify all examplesaccuracy, macro/micro F1, calibrationclass imbalance and threshold policy
find rare positivesPR-AUC, recall at fixed precision, enrichmentROC-AUC can look good under imbalance
rank candidatesNDCG, MAP, top-k success, enrichmentincomplete labels and candidate pool definition
estimate continuous valueRMSE, MAE, Spearman/Pearson, calibrationunit transform and within-series ranking
produce probabilitiesNLL, Brier score, reliability diagramprobability quality differs from hard accuracy
generate samplesvalidity, novelty, diversity, utility, costfiltering and attempted denominator
decide when not to answercoverage-risk, selective prediction, conformal coverageabstention threshold selected on test

When the decision has asymmetric cost, include the decision rule:

where is the chosen threshold and is the cost or constraint model.

Common Traps

TrapBetter Check
aggregate score onlysubgroup, strata, and failure mode analysis
best seed onlyseed variance and selection rule
leaderboard rankbenchmark saturation and allowed information
random split by defaultsplit unit and claimed deployment shift
invalid samples removedattempted denominator and failure taxonomy
baseline weaker by constructionsimple baseline, matched budget, matched data
many metrics searchedmultiple comparisons or preregistered primary metric

방법 묶음

47 items under this folder.