36.3 Szakirodalmi reprodukció és attribúció

36.3.1 Cél, előismeret és indító kérdés

Ebben az egységben azt a munkafolyamatot rögzítjük, amellyel egy szakirodalmi eredményt szabályosan idézünk, adaptálunk vagy reprodukálunk. A cél nem retorikai: az olvasó az egység végén minden állításához meg tudja nevezni, melyik cikk, melyik változata, melyik szakasza tartalmazza, és hogy az illető helyet ténylegesen olvasta-e. Előismeretnek a 36.2. Ismétlések és eredménybizonytalanság eredménybizonytalansági nyelve, a 35.3. Perturbáció és adversarial példa FGSM-levezetése, a 32.3. Vision Transformer és hibrid felhasználás architektúra-összehasonlítási minta és a 24.3. Mixed precision és nagyobb batch numerikus adatrögzítési igénye szükséges.

Indító kérdés: csak egy cikk absztraktját ellenőrizted. Melyik mondat a legerősebb, amelyet bizonyítékkal alá tudsz támasztani a módszeréről? A várható válasz: legfeljebb „a szerzők az absztraktban azt állítják, hogy…”, semmi több; az egység ezt a különbséget teszi mérhetővé.

36.3.2 Definíciók, jelölések és a reprodukciós tárgy

Elsődleges cikk (primary paper). Az a publikált vagy preprint munka, amelynek konkrét állítását, módszerét vagy számszerű eredményét vizsgáljuk. A hivatkozásban a változat (version) rögzítendő: arXiv-kéziratnál az azonosító és a v verziószám, konferenciaváltozatnál a kiadói rekord. Az arXiv-kézirat éve nem feltétlenül azonos a konferenciamegjelenés évével; ezt 36.3. Szakirodalmi reprodukció és attribúció itt kimondja könyvszintű szabályként.

Szakasz (section). Az a részegység (szakasz, tétel, táblázat, ábra, függelék vagy definíció), amelyből egy átvett állítás származik. Egy állítás erőssége csak azzal a szakasszal együtt értelmes, amelyet ténylegesen olvastunk. Az [S01] jegyzetlap esetében például a 14.1.–14.4. egységek a konvolúciós alakokról szóló részt használták; ha valaki onnan egy hiperparamétert idéz, a pontos alszakaszt is idéznie kell. Eredeti ábra (original figure): a cikkben közölt grafikus megjelenítés. Reprodukcióban újrarajzolhatjuk a közölt adatokból vagy saját futtatásból, de a képfájlt engedély nélkül nem másoljuk; az új ábrán jelöljük a forrást és a „replot” jelleget.

Olvasási/bizonyítékstátusz. Rögzítjük a bizonyítékok rendezett halmazát $\Sigma=\{\text{rekord},\text{absztrakt},\text{szakasz},\text{definíció},\text{reprodukált}\}$, ahol a rendezés azt fejezi ki, milyen mélyen ellenőriztük a kijelentést. Egy állítás – az „olvasási igénymátrix” (claim ledger) sora – a következő négyes: $(C, s, \sigma, a_{\max})$, ahol $C$ a kijelentés, $s$ a hivatkozott szakasz, $\sigma\in\Sigma$ az olvasottság, $a_{\max}$ pedig a legerősebb korrekten kijelenthető forma. Ha $\sigma\le\text{absztrakt}$, akkor $a_{\max}$ csak a szerzői állításról szóló idézet lehet, a világ tényleges állapotáról szóló kijelentés nem.

Toy adaptáció. A módszer matematikai magjának kisméretű, saját adaton futó megvalósítása, amely egy szűk mechanizmust ellenőriz. Az érvényességi köre pontosan a toy-tartomány; az eredeti cikk általános empirikus állítását nem igazolja. Reprodukció és replikáció – könyvünkben lokális munkadefinícióval dolgozunk, mert a szakterületek eltérő szótárat használnak. Reprodukció: ugyanazt az operatív protokollt (modell, adatfelosztás, metrika, tréningrecept) saját kóddal újra lefuttatjuk, és a számszerű kimenetet megadott toleranciával összehasonlítjuk ($|R_{\text{ours}}-R_{\text{paper}}|\le\tau$), vagy dokumentált negatív eltérést jelentünk. Replikáció: valamely protokoll-összetevőt (adat, implementáció, metrika) szándékosan megváltoztatunk, és azt vizsgáljuk, hogy a tudományos következtetés túléli-e a változtatást. A toy adaptáció egyik kategóriának sem szinonimája.

36.3.3 Levezetési kötelezettség: egy ismert eredmény feltételei és a saját eltérések

A 35.3. Perturbáció és adversarial példa az FGSM motivációját elsőrendű közelítésből vezette le; itt ezt az ismert, könyvön belüli eredményt egzakt lineáris lemmává emeljük, majd feltételeit a saját újrafelhasználás feltételeivel tételesen összehasonlítjuk.

Lemma (FGSM-lineáris lépés optimuma). Legyen $g\in\mathbb R^d$, $\epsilon>0$, és legyen $\delta^*=\epsilon\,\mathrm{sign}(g)$ komponensenként, $\mathrm{sign}(0)=0$ konvencióval. Ekkor minden $\|\delta\|_\infty\le\epsilon$ megengedett perturbációra

$$g\cdot\delta \;\le\; g\cdot\delta^* \;=\; \epsilon\sum_{i=1}^{d}|g_i| \;=\; \epsilon\,\|g\|_1.$$

Egyenlőség pontosan akkor áll, ha minden $g_i\neq 0$ indexre $\delta_i=\epsilon\,\mathrm{sign}(g_i)$; a $g_i=0$ koordináták tetszőleges $\delta_i\in[-\epsilon,\epsilon]$ értéket vehetnek fel. A maximalizáló tehát pontosan akkor egyértelmű, ha $g$ minden komponense nullától különböző.

Bizonyítás. (1) Minden megengedett $\delta$-ra $g\cdot\delta=\sum_i g_i\delta_i\le\sum_i |g_i|\,|\delta_i|$, mert minden tag legfeljebb az abszolútértékek szorzata. (2) A dobozfeltétel miatt $|\delta_i|\le\epsilon$, így $\sum_i|g_i|\,|\delta_i|\le\epsilon\sum_i|g_i|=\epsilon\|g\|_1$. (3) A megadott $\delta^*$ mindkét egyenlőtlenséget tagról tagra egyenlőséggel teljesíti: $g_i\delta^*_i=\epsilon|g_i|$ minden $i$-re. (4) Ha $\delta$ eléri a $\epsilon\|g\|_1$ korlátot, akkor a $\sum_i$-beli egyenlőség csak úgy állhat, ha minden egyes tag egyenlő a felső korlátjával, mert egyetlen tag sem lehet nagyobb annál; ez kiadja az állított feltételeket. $\square$

Az FGSM irányú lépés e lemma szerint a becsült veszteségnövekedést a megengedett dobozon maximalizálja – ha a linearizáció érvényes. Az eltérések tételes összevetése:

A második összevetés a jelen egység irodalmi esettanulmányára vonatkozik. A [P25] cikk esetében csak az arXiv-rekord és az absztrakt szintje ellenőrzött, ezért a könyv nem a szerzők konkrét protokollját, hanem az absztraktban jelzett kérdés saját toy adaptációját definiálja:

36.3.4 Kézi példa numerikus kontrollal

Legyen $g=(3,-2,0.5)$ (kiszámított gradienshármas), $\epsilon=0.1$. Ekkor $\delta^*=0.1\cdot(1,-1,1)=(0.1,-0.1,0.1)$. A becsült növekedés $g\cdot\delta^*=3\cdot0.1+(-2)\cdot(-0.1)+0.5\cdot0.1=0.3+0.2+0.05=0.55$. A lemma szerinti felső korlát $\epsilon\|g\|_1=0.1\cdot(3+2+0.5)=0.55$; a kettő egyezik, tehát a $\delta^*$ tényleg maximalizáló. Ellenőrző ellenpélda irányban: a $(0.1,0.1,0.1)$ pertubáció $g$-vel vett szorzata $0.3-0.2+0.05=0.15<0.55$.

Minimális kód (munkakönyvtár: a tananyag gyökerének lab/ könyvtára):

import numpy as np

g = np.array([3.0, -2.0, 0.5], dtype=np.float32)
eps = 0.1
delta = (eps * np.sign(g)).astype(np.float32)
gain = float(np.dot(g, delta))
korlat = float(eps * np.abs(g).sum())
print(delta)   # [ 0.1 -0.1  0.1]
print(gain, korlat)  # 0.55 0.55

A számított összefüggés ábrája; mivel a függvény lineáris, öt pont elég a jellegéhez:

36.3.5 Labor: cikk-kivonat és reprodukciós terv, saját ábrával

Átadandó labortermék. (a) Kitöltött cikk-kivonat a lentebbi sablon szerint; (b) olvasási igénymátrix; (c) egy toy-reprodukciós tervprotokoll; (d) a fenti, képletből számolt saját ábra. A labor tudatosan nem állít teljes tanulmányolvasást; a hiányzó részek a kivonatban szerepelnek.

Sablon kitöltve a [P25] forrásra:

cim: "Sanity Checks for Saliency Maps"
szerzok: "Adebayo et al."
azonosito: "arXiv:1810.03292 (preprint)"
ev: 2018
eleres: "https://arxiv.org/abs/1810.03292"
olvasasi_datum: "2026-10-20"
státusz:
  - "cím, absztrakt és keresési kivonat: ellenőrizve"
  - "módszertani szakasz, kísérleti táblák, függelék: nem olvasva"
sajat_kivonat: >
  A cikk absztraktszinten a szaliencia-térképek sanity checkjeinek
  kérdését veti fel; a precíz beavatkozási protokoll és metrika
  ebben a kivonatban nem állítható.
felhasznalhato:
  - "a vizsgált probléma megnevezése"
  - "saját toy adaptáció motivációja"
nem_allithato:
  - "a cikk konkrét tesztprocedúrájának reprodukciója"
  - "a cikk minden következtetésének ellenőrzöttsége"

Olvasási igénymátrix (négy oszlop):

Toy-reprodukciós terv (protokollterv, nem mért eredmény). Bemenet: lab/data/images.npy, labels.npy, split a metadata-ból; $N\times1\times24\times24$ float32, címke int64. Modell: $\mathrm{Conv2d}(1,8,3,p=1)-\mathrm{ReLU}-\mathrm{MaxPool}(2)-\mathrm{Conv2d}(8,16,3,p=1)-\mathrm{ReLU}-\mathrm{AdaptiveAvgPool}(1)-\mathrm{Linear}(16,3)$, CPU, seed 20261020. Szaliencia: $s_i=|\partial L_{CE}(f(X),y^*)/\partial X_i|$ csatornaátlag után, alakja $(24,24)$, lapítva $s\in\mathbb R^{576}$. Beavatkozás fejről visszafelé: a $j$-edik lépésben a háló első $j$ súlymátrixát cseréljük azonos Frobenius-normájú független Gauss-mátrixra; így a paraméterek változnak, de a súlynorma nem esik össze. Metrika lépésenként: $\mathrm{csim}_j=\langle s^0,s^j\rangle/(\|s^0\|\,\|s^j\|)$, ahol $s^0$ a tanított modell, $s^j$ a $j$ szintig scramble-elt modell szaliencia-vektora ugyanazon a testképen; nulla nevezőre a konvenció 0.0. Kiértékelés: 10 test-scene, páros összehasonlítás ugyanazon képpáron, 3 seed minimumával/maximumával jelentve. Döntési heurisztika: ha $\mathrm{csim}_j$ a scramble mélységének növelésével monoton, a 0-lépéses numerikus azonosságkontroll 1.0-hez közeli, és a teljes scramble esetén a medián egyértelműen 1 alatt van, a toy szaliencia paraméterérzékeny. Ez heurisztika, nem a [P25] cikk állításának igazolása.

Az ábrához az előző szakasz $g=(3,-2,0.5)$ vektorából, a lemma zárt képletéből számolunk; az ábraaláírás ezért „számított példa, nem mérés”. Aki a könyv környezetében újragenerálja, a kódot a lab/n143_figs.py fájlba írja, és python lab/n143_figs.py paranccsal futtatja; a lényegi adatvektor és a szorzat a fenti blokkban ellenőrizhető.

36.3.6 Feladatok

F1 fogalmi, nehézség 1. Input: a jelen egység $\Sigma$-skálája. (a) Fogalmazd meg saját szavakkal a reprodukció és a replikáció lokális definíciójának különbségét. (b) Adj mindkettőre egy konkrét, a GlyphLab-környezetben értelmes esetet. (c) Ellenpélda-kontroll: miért nem replikáció egy toy adaptáció? Átadandó: a három válasz együtt, legfeljebb 12 mondat.

F2 levezetési, nehézség 2. Input: $g=(2,0,-1)$, $\epsilon=0.5$. Vezesd le a lemma alapján: a szign-irányú $\delta^*$ értékét, a lineáris növekmény maximumát, a maximalizálók teljes halmazát és a nem egyértelmű koordinátát. Átadandó: a teljes levezetés és a halmaz pontos megadása.

F3 implementációs, nehézség 2. Input: a kézi példa. Készíts fgsm_perturbation(g, eps) és csim(a, b) függvényt float32-tenzorokra, a szövegbeli konvenciókkal; eps<0 esetén ValueError; üres/eltérő alakú bemenetre definiált hiba vagy konvenció. Ellenőrizd a fenti $g$ vektorra a 0.55 értéket, és a [1,2,3]/[-1,-2,-3] koszinusz-hasonlóságot. Átadandó: futtatható kód és a tesztek futási állítása, atol=1e-6 toleranciával.

F4 hibakeresési, nehézség 2. Input: „reprodukciós jelentéstervezet” két hibával: (1) „Az absztrakt birtokában kijelenthető, hogy a [P25] appendixének minden metrikáját ellenőriztük.” (2) sim függvény np.dot(a,b)/(np.linalg.norm(a)*np.linalg.norm(b)) alakú, nulla bemenet esetén osztás nullával. Lokalizáld az okot, következményt; add meg a javított mondatot és kódot; ellenőrizd a javítást egy nulla vektorpárral. Átadandó: a négy elem (ok, következmény, javítás, visszaellenőrzés).

F5 kísérlettervezési/transzfer, nehézség 3. Input: a laborbeli toy-reprodukciós terv vázlata. Írd ki a teljes protokollt a 36.2. Ismétlések és eredménybizonytalanság alfejezet szóhasználatának megfelelően: megfigyelési egység, split, baseline, változó tényező, metrika, seed-ismétlés, döntési szabály, érvényességi korlát. Ne feltételezz előre győztest; negatív eredmény elfogadható. Átadandó: protokollszöveg, amelyet egy másik hallgató futtatni tud.

36.3.7 Megoldások és indoklás

F1. (a) A reprodukció azonos operatív protokoll saját kóddal, numerikus összehasonlítás toleranciával; a replikáció szándékosan változtat legalább egy protokoll-összetevőt, és a következtetés túlélését vizsgálja. (b) Reprodukció: a 37.4. Rétegből kis tanulómodell kis CNN-jének újratanítása azonos seeddel és azonos split mellett ugyanarra a val loss-értékre, $\tau=10^{-4}$ relatív tolerancián belül; replikáció: ugyanaz a kérdés, de más adatgenerátor-seeddel készített GlyphLab-utánzaton vagy más implementációs nyelvű hálóval. (c) A toy adaptáció a módszer egyetlen mechanizmusát kicsinyíti, és jellemzően új adatot is használ; nem állítja elő a cikk eredeti kimeneti terét, ezért a replikáció előfeltétele – egy összehasonlítható következtetés – hiányzik.

F2. $g=(2,0,-1)$, $\epsilon=0.5$. A lemma: $\delta^*_1=0.5\cdot1=0.5$, $\delta^*_2=0.5\cdot0=0$, $\delta^*_3=0.5\cdot(-1)=-0.5$. Maximum: $\epsilon\|g\|_1=0.5(2+0+1)=1.5$. Egyenlőségi feltétel: $\delta_1=0.5$, $\delta_3=-0.5$ kötelező; $\delta_2$ szabad, mert $g_2=0$. A maximalizálók halmaza: $\{(0.5,\delta_2,-0.5):\delta_2\in[-0.5,0.5]\}$; a második koordináta nem egyértelmű. Alakellenőrzés: minden elem $\|\cdot\|_\infty=0.5\le\epsilon$, és $g\cdot\delta=2\cdot0.5+0\cdot\delta_2+(-1)\cdot(-0.5)=1.5$.

F3. Javasolt ellenőrző munkamenet:

import numpy as np

def fgsm_perturbation(g, eps):
    g = np.asarray(g, dtype=np.float32)
    if eps < 0:
        raise ValueError("eps nemnegatív kell legyen")
    return (eps * np.sign(g)).astype(np.float32)

def csim(a, b):
    a = np.asarray(a, dtype=np.float32).ravel()
    b = np.asarray(b, dtype=np.float32).ravel()
    if a.shape != b.shape:
        raise ValueError("eltérő alak")
    den = float(np.linalg.norm(a) * np.linalg.norm(b))
    return float(np.dot(a, b) / den) if den > 1e-12 else 0.0

g = np.array([3.0, -2.0, 0.5], dtype=np.float32)
d = fgsm_perturbation(g, 0.1)
assert np.allclose(d, [0.1, -0.1, 0.1], atol=1e-6)
assert abs(float(np.dot(g, d)) - 0.55) < 1e-5
assert abs(csim([1.0,2,3], [-1.0,-2,-3]) + 1.0) < 1e-6
assert csim([0.0,0], [1.0,1]) == 0.0
print("ok", d)

A float32 hét tárolt tizedesjegye miatt 0.1 környékén az atol=1e-6 biztonságos; a szorzat eltérésére a szigorúbb 1e-5 abszolút hibát adjuk meg, mert a gyökszámítás kerekítése nagyobb relatív hibát vihet a hasonlóságba.

F4. (1) Ok: a bizonyítékstátusz absztrakt szintű, a kijelentés pedig függelékszintű állítást tesz, tehát a kijelentés erőssége meghaladja $\sigma$-t. Következmény: hamis ellenőrzési látszat; a lektoráló nem tudja megkülönböztetni az olvasott és a feltételezett részt. Javítás: „A [P25] absztraktja alapján a cikk a szaliencia sanity checkjeinek kérdését veti fel; a függelékbeli metrikákat nem tekintjük ellenőrzöttnek.” (2) Ok: nulla saliencia-vektornál a nevező nulla, a függvény NaN/inf értéket ad. Következmény: üres vagy nulla képű teszteset tönkreteszi az átlagot. Javítás: denom-küszöb a fenti módon, nulla vektorra konvenció 0.0. Visszaellenőrzés: csim([0,0],[1,1]) == 0.0.

F5. A teljes protokoll: kérdés: a PyTorch-bemenetgradiens-alapú szaliencia paraméterérzékeny-e a tanított GlyphLab CNN-en. Megfigyelési egység: scene_id; a két nézet nem független, ezért scene-szintű mediánt számolunk. Split: 30 test-scene, train/val nem érintett; 3 training seed mindegyikére azonos split. Baseline: ugyanazon képen kétszer kiszámolt szaliencia numerikus hasonlósága (várt 1.0). Változó tényező: scramble-mélység $j\in\{0,1,2,3\}$ (fej, utolsó conv, első conv, teljes). Metrika: páronkénti koszinusz-hasonlóság a tanított és a scramble-elt modell között; seedenként scene-medián, majd seedek minimum–maximum sávja. Döntés: paraméterérzékenynek nevezzük, ha a teljes scramble medián 0.9 alá esik és a lépésenkénti medián nem nő; a 0.9 küszöb itt előre rögzített heurisztika, nem kívülről igazolt optimum. Korlát: az eredmény csak erre az architektúrára, erre a gradientsűrűség-megvalósításra és a GlyphLab grayscale 24×24 tartományára érvényes; emberi magyarázatminőséget nem állítunk, ahogy a 35.2. Magyarázat sanity check sanity-követelményei megkívánják. A negatív eredmény (a szaliencia nem változik a scramble-re) is lektorálható eredmény, ha a baseline numerikus azonosságkontroll 1.0 maradt.

36.3.8 Tipikus tévedés, önellenőrzés és visszahívás

A tipikus tévedés: egy absztraktból nem állítható a teljes módszer és függelék ellenőrzése. Az ellenpélda formális alakja: az absztrakt bizonyítékhalmaz $E_{\text{abs}}$ a szakaszszintű állítások $C_{\text{sec}}$ halmazának csak valódi részét támasztja alá; a „a függelék reprodukálva van” kijelentés $C_{\text{appendix}}$-beli elem, amelyre $\sigma=\text{absztrakt}$, tehát az állítás nem következik a bizonyítékból. A tévedés gyakorlati jele, ha a jelentésben nem különül el a „a szerzők azt írják” és a „mi ellenőriztük” mondattípus.

Önellenőrzés: minden átvett állításomhoz van-e source, version, section és $\sigma$? Ahol $\sigma\le\text{absztrakt}$, ott a legerősebb megfogalmazást használtam-e? Reprodukciós tervemben rögzítettem-e a dtype-ot, seedet és splitet? Visszahívás: 36.2. Ismétlések és eredménybizonytalanság szerint a becsült hatás intervallumához ki kell mondani a mintavételi modellt; az [S02] oldal ugyanezt az intervallum feltételes értelmezéseként rögzíti. A 35.3. Perturbáció és adversarial példa FGSM-je csak a fenyegetési modell $\ell_\infty$-dobozán belül értelmes; a súlyrandomizálás egészen más beavatkozás, nem keverendő az adversarial perturbációval. A 24.3. Mixed precision és nagyobb batch óta tudjuk, hogy a reprodukciós protokollba a BatchNorm/dropout jelenlétét és a AMP-állapotot is fel kell venni, mert ezek batchfüggővé teszik a forwardot.

36.3.9 Rövid összefoglaló

A szakirodalmi reprodukció attól lektorálható, hogy minden állítás mögött négy adat áll: forrás, változat, szakasz és olvasottsági szint. A reprodukció azonos protokoll saját kóddal és toleranciával való újrafuttatása; a replikáció szándékosan változtat összetevőt, és a következtetést vizsgálja; a toy adaptáció kicsinyített mechanizmus-ellenőrzés, egyik sem. Az FGSM szign-irányú lépésére bebizonyítottuk, hogy az $\ell_\infty$-dobozon a linearizált növekmény pontos optimuma, értéke $\epsilon\|g\|_1$. A [P25] esettanulmány megmutatta, hogyan készül cikk-kivonat úgy, hogy az absztrakt szintű tudást nem füllentjük szakaszszintű ellenőrzéssé; a hiányok a forrásaudit nyitott kérdései maradnak.

36.3.10 Következő alkalmazás és források

A 36.4. IX. ellenőrző pont: lektorálható modellállítás IX. ellenőrző pont ezt az igénymátrixot kéri számon: egy saját modellállítást úgy kell bemutatni, hogy a fogalmi, numerikus, kísérleti és forráseredet-kapuk mindegyike ellenőrizhető legyen. Az itt elkészített kivonat- és protokollsablon a beadandó jelentés váza.

Felhasznált források:

• [P25] Adebayo, J. et al. (2018). Sanity Checks for Saliency Maps. arXiv:1810.03292. https://arxiv.org/abs/1810.03292. Ellenőrzött: arXiv-rekord és absztrakt; a módszertani szakaszok nem olvasottak.
• [S01] Stanford CS231n kurzus (n.d.). Convolutional Neural Networks. https://cs231n.github.io/convolutional-networks/. Ellenőrzött: a jegyzet releváns oldala; itt csak hivatkozási mintaként használva.
• [S02] NIST/SEMATECH (n.d.). e-Handbook: Confidence Limits for the Mean. https://www.itl.nist.gov/div898/handbook/eda/section3/eda352.htm. Ellenőrzött hivatalos módszertani oldal.