filter_list数据筛选
dashboard核心指标
潜在事故率：0.005 (每千公里)
整体风险等级：中
数据质量评分：0.85
check_circle数据质量
KL散度：0.15
JS散度：0.20
Wasserstein距离：0.25
置信度：0.80
人工评分：4.5 (满分5分)
insert_chartGAN 性能
Inception Score：8.5
Fréchet Inception Distance (FID)：50.0
Perceptual Path Length (PPL)：0.02
visibilityCorner Case 覆盖度
| Corner Case 名称 | 风险等级 | 严重性评分 |
|---|---|---|
| 行人突然横穿马路 | 高 | 9.0 |
| 车辆违章变道 | 中 | 7.0 |
| 恶劣天气下的低能见度 | 高 | 8.5 |
school模型训练
真实场景精度：0.95
对抗攻击成功率：0.05
historyGAN 数据溯源
GAN 版本：v2.0
生成时间：2024-01-01 12:00:00
生成场景：暴雨
warning数据偏见检测
偏见类型：光照强度
偏见得分：0.75
检测方法：统计分析
timeline数据溯源
| 过程名称 | 过程时间戳 | 参数 |
|---|---|---|
| GAN 生成 | 2024-01-01 12:00:00 | 雨强度：0.8, 雾密度：0.2 |
assessment置信度评估
期望校准误差 (ECE)：0.03
平均置信度：0.85
codeSQL 查询
GAN 生成数据的平均 KL 散度：0.20
Corner Case 场景的覆盖度：150
视频预处理平均延时：0.015 秒
不同风险等级的Corner Case数量：
- 高：50
- 中：75
- 低：25
extension功能点展示
- 数据分布评估：使用KL散度、JS散度、Wasserstein距离等指标评估GAN生成数据与真实数据分布差异。
- 数据特征分析：统计GAN生成数据的统计特征（均值、方差、分布等），并与真实数据进行对比。
- 感知模型置信度评估：评估感知模型对GAN生成数据的置信度。
- 自动化数据质量评估：使用机器学习模型预测数据的真实性、多样性和相关性。
- 专家人工评估：邀请领域专家对生成数据的质量进行评估，包括真实性、多样性、相关性等。
bug_report测试数据
测试用例1：验证用户可以通过界面筛选GAN v2.0版本的数据，并能正确显示。
测试用例2：验证高风险等级的Corner Case数量统计是否正确。
测试用例3：验证当数据质量指标（例如Wasserstein距离）超过阈值时，能否正确触发告警。
测试用例4：验证用户反馈能够成功存储到数据库中。
测试用例5：对包含100万条数据的视图进行数据筛选，验证查询性能是否满足要求。