jay 自测日记录 · 2026-10-26

总分：38/50 知识盲区：①「原型分配原语同构」只背下三组对应词（centroid 训练=prototype update / assignment=prototype 分配 / PQ 码本=多原型并行自标签），说不清 SwAV 的 prototype loss 与 k-means objective 在数学形式上差在哪一项（O184 待办 ① 要求「写成同一形式，或指出差异项」）；②「IVF 在分布漂移下退化」记住了结论（centroid 固定而分布移动），但答不出它如何机制性解释 pgvector vs Qdrant 的「重建索引成本」之争——漂移是渐进还是阶跃、重建是否必须全量重训而不能增量补；③D143 只复述「不得引用图像精度数值」，说不清 SwAV 原始贡献域（cs.CV / cs.NE）为何足以让它「只作谱系锚点而非性能证据」；④「功能类比非历史断言」记住结论，说不清 SwAV（2019）晚于 FAISS IVF（2011）如何直接排除「历史断言」，也答不出是否另有独立理由（原始贡献不属 database 主分类）；⑤O184 待办 ②「向量库实现中是否已有项目显式采用在线/增量 prototype 更新」——这个「升级为已被实现采用」的门槛条件我完全答不出，材料只给问题不给答案。

• 来源论文：arXiv 1911.05371 — Self-Labelling via Simultaneous Clustering and Representation Learning（SwAV，ICLR 2020，主分类 engineering，主题 database）
• 被使用文件：organized/knowledge/database.md（主源，§2.1「向量索引的算法血统」子节 + §3/§4/§5 相关条目）；辅读 organized/paper_cards/1807-1911-05371.md
• 出题范围：仅本篇材料；历史上下文仅读 selftest/jay/index.md 与 entries/2026-10-25.md、entries/2026-10-24.md

题目一（方法内核 · SwAV 到底做了什么）

问：SwAV 的「simultaneous clustering and representation learning」具体指什么？为什么能无人工标注？

答：对同一张图像做两个增强视图，两视图各产生一个「特征 → 分布」的预测（软分配概率向量）。训练时两预测互相交换对方的聚类分配标签（swapped assignments）：视图 1 的预测与视图 2 的聚类标签比对，反之亦然。在线维护一组可学习的原型，预测即「特征与各原型相似度经 softmax 归一化的分布」。目标不是预测人工类别，而是预测「另一视图对同一图像给出的聚类归属」，该归属由网络自产并在线更新，故全程无需人工标注——构成自标签。

评分：9/10 扣分：未点出「原型组可学习 / 在线更新」是自标签成立的前提（原型若固定则标签不再自产）。

题目二（同构 · 与向量索引的关系）

问：SwAV 与 FAISS/pgvector/Qdrant/Milvus 的 IVF 倒排分桶是什么关系？给出对应关系，并说明这一关系能推出什么、不能推出什么。

答：功能同构，共享同一「原型分配」原语。SwAV 的 centroid 训练 ≈ IVF 的 k-means centroid 训练；SwAV 的 assignment（特征分到最近原型）≈ IVF 的 assignment（向量分到倒排桶）；SwAV 的 PQ/RVQ 码本训练 ≈ 多原型并行自标签。能推出：向量库的倒排分桶本质是自监督原型学习的工程化退火形式——离线全量 k-means 被换成在线增量 prototype update；这解释了为何 IVF 类索引在数据分布漂移时退化（centroid 固定而分布移动），也是 §2.1 决策树「pgvector vs Qdrant 重建索引成本」争议的方法论底座。不能推出：这不是历史断言——SwAV（2019）晚于 FAISS IVF（2011），SwAV 不是 IVF 的灵感来源，同构只是功能类比。

评分：8/10 扣分：对应关系答全，但「能推出」只复述材料结论句，说不出「离线全量 k-means → 在线增量 prototype update」在运维上意味着什么（重建成本从一次性批处理变成持续维护负担）。

题目三（边界 · D143 的约束）

问：为何 SwAV 的「902 被引 + database 主题标签」不足以作为向量库性能证据？D143 禁止了什么？它作为「谱系锚点」的正确用法是什么？ 答：因 SwAV 的原始贡献不属 database：主分类 cs.CV / cs.NE，database 只是主题标签（待LLM分类:是），材料自身标注主分类为 engineering。902 被引 S2 / 415 OpenAlex / 95 影响力被引反映的是它在视觉表征学习领域的影响，与向量库性能无关。D143 明令：不得引用 SwAV 的图像精度数值（如「自监督 AlexNet 超越有监督 Pascal VOC 检测基线」）支撑向量库性能主张。正确用法是谱系锚点：只作「向量索引的聚类分桶有可核查学术源头」的方法论溯源，回答「这些索引的聚类从哪来」这个 §2.1 从未回答的问题。

评分：9/10 扣分：核心边界答对，但没把「主分类 engineering / 主题标签 database」的结构性错配讲透——被 database 收录 ≠ 对 database 有贡献。

题目四（争议与趋势 · 强度纪律）

问：SwAV 在本页同时出现在 §3 争议 1、§5 trend 112 与 O184，各起什么作用？为什么 trend 112 未被升格为已确立趋势？

答：§3 争议 1（记忆组织结构之争：A 相似度拓扑 vs B 状态拓扑）：SwAV 是「按表征空间分层」这一组织轴的学术锚点，接上「分层轴选错、索引再好也是错的坐标系」这一底座。§5 trend 112「分层是数据层的一等公民」：SwAV 是其 6 条依据第 ① 条（表征空间分层）。O184 待跟踪三项——① 能否给出比类比更精确的形式化对照（把 prototype loss 与 k-means objective 写成同一形式，或指出差异项）；② 向量库实现中是否已有项目显式采用在线/增量 prototype 更新（若有则同构可升级为「已被实现采用」）；③ 该同构能否真正解释 IVF 在分布漂移下的退化。未升格（D147）：trend 112 的 6 条依据仅 2 条为学术（SwAV / legal-KG），而 legal-KG 缺同层基线、SwAV 同构仅为功能类比——强度弱于 trend 107~110。

评分：8/10 扣分：三处分工与 D147 判据答对，但 O184 三项只记得标题，没说出②的门槛条件是「出现显式采用在线/增量 prototype 更新的向量库项目」。

题目五（迁移纪律 · 这个类比能拿去做什么）

问：若要把 SwAV ↔ IVF 同构写进面向工程团队的向量库选型文档，会写什么、不会写什么？它能支撑哪些决策、不能支撑哪些决策？

答：会写：① 倒排分桶与 k-means centroid 训练同源于「原型分配」原语，可解释「为什么向量库要做聚类分桶」；② 因此分布漂移是 IVF 结构的内生风险——centroid 固定而分布移动，桶内分布失衡，召回随之退化，重建索引成本因此不是运维负担而是结构性代价；③ 给 §2.1 决策树「pgvector vs Qdrant 重建索引成本」之争提供机制性解释框架，可提示评估「写入分布是否稳定」「是否需预留定期重训预算」。不会写：① 不引用 SwAV 图像精度数值；② 不宣称「SwAV 启发了 IVF」或任何历史谱系（SwAV 2019 晚于 FAISS IVF 2011）；③ 不把 902 被引当作性能证据；④ 不把「功能类比」升级为「等价的算法形式」——O184 ① 完成前只能表述为「共享同一原型分配原语」。

评分：4/10 扣分：本轮最低分题，暴露核心弱点——能列「会写/不会写」条目，但没把同构推进到可操作的运维判据：说不清漂移下 centroid 需以何频率重训、有无可观测指标（桶内 size 分布方差 / 空桶率 / 召回漂移）判断何时必须重建，也答不出「类比最强可推结论」与「不可推结论」的精确边界——把「不要越界」写成了清单，而非划出证据边界。

总评

总分：38/50（方法内核（自标签 / swapped assignment / 交换预测）掌握扎实；三类对应关系复述准确，守住 D143「不引用图像精度」硬边界，也能说清 trend 112 未升格是因学术依据仅 2 条且均不满足可归因要求。）

主要盲区（按优先级）：① 同构停留在对应词层面，缺 prototype loss 与 k-means objective 的数学形式对照（O184 ①，已挂一轮未收口）；② 「漂移退化」推不出运维动作，落不成「何时重建 / 看什么指标 / 全量还是增量」的判据；③ 边界条款靠清单而非推理，说不清「为什么被引与 database 无关」「为什么时间顺序足以排除历史断言」两步推理；④ O184 ② 门槛条件记不住；⑤ 类比边界划法薄弱，写不出最强可推与不可推结论的分界；⑥ 未核验一手源——仅用库内 database.md + paper_cards/1807-1911-05371.md，未读 SwAV 原论文 PDF，paper_card 四项「待补齐」仍缺。

后续动作：下轮靶子压在 SwAV 原论文 prototype loss 公式与 k-means objective 的形式对照（O184 ①），并补齐离线全量 k-means 与在线增量 prototype update 在运维成本上的差别；同时核清 paper_card 四项待补齐。