線性探測評估

線性探測是衡量「一個學來的表徵本身有多好」的標準量尺。你凍結預訓練骨幹使其權重不可變，取它產生的特徵，只在其上訓練單一線性層（一個邏輯迴歸）去預測標籤。那個薄分類器的準確率，是個代理指標，反映凍結後的特徵在任何特定任務適應之前，已有多麼線性可分、多麼即取即用。

凍結這項紀律正是重點所在。若你微調了骨幹，最終的高準確率可能來自骨幹在微調中自我重塑，而非來自預訓練特徵的品質，這會混淆你想量測的對象。只允許一個線性頭，這套協定便把表徵隔離出來：好的自監督方法應把語意相似的輸入放進線性可分的區域，因此一條簡單的邊界就夠。它便宜、可重現、且能跨方法比較，這正是幾乎每篇 SSL 論文都會回報它的原因。

它的限制值得點明。線性探測準確率與微調準確率可能把方法排出不同名次——例如 MAE 探測表現平平，微調卻極佳，因為它的特徵豐富但不是線性組織的。探測也偏好那些恰好對齊探測資料集類別的特徵，並可能漏掉某些對偵測或分割重要的性質（例如局部空間結構）。