生成模型评估：统计假设检验方法选型与实战指南

1. 项目概述：为什么我们需要更聪明的模型“裁判”？

在机器学习和数据科学的世界里，生成模型正变得越来越强大，从生成逼真图像到模拟复杂的物理过程。但随之而来的是一个核心挑战：我们如何知道一个生成模型真的“学会”了？它生成的数据，和我们期望的真实数据分布，到底有多接近？这不仅仅是学术问题，在药物发现、高能物理模拟、金融风险建模等领域，一个不可靠的生成模型可能导致严重的后果。

传统的评估方法，比如肉眼观察生成样本、计算简单的像素级误差（如MSE、FID），往往只能给出模糊的、定性的判断，缺乏统计上的严谨性。这就好比评判一幅画作，只说了“看起来不错”，但说不清到底好在哪里、和原作差多少。我们需要一个更精确、更定量的“裁判”——这就是统计假设检验登场的时刻。

统计假设检验为我们提供了一套严格的数学框架，来量化两个数据分布之间的差异。其核心思想是：先建立一个“零假设”（H0），通常认为生成数据与真实数据来自同一分布；然后构造一个检验统计量，来衡量当前观测到的数据与零假设的偏离程度；最后，通过计算p值或置信区间，我们可以在一定的置信水平下（比如95%或99%）做出“拒绝”或“无法拒绝”零假设的判断。这个“裁判”不仅能告诉你模型是否合格，还能告诉你它“差了多少”，以及这个判断有多大的把握。

你提供的表格数据，正是这个“裁判系统”在不同赛场上的实战成绩单。它系统性地评估了多种统计检验方法（如Shapiro-Wilk检验的变体tSW、Kolmogorov-Smirnov检验tKS、基于最大均值差异的tMMD，以及似然比检验tLLR等），在应对各种数据“变形”挑战时的表现。这些变形模拟了模型可能出错的典型方式，比如整体分布偏移（μ-deformation）、方差变化（Σii-deformation）、甚至更复杂的协方差结构或尾部形态改变（pow±-deformation）。评估的核心指标有两个：一是灵敏度，即检测出差异的能力，体现为在特定置信水平下可探测到的最小污染比例ϵ（ϵ越小，灵敏度越高）；二是计算效率，即完成一次检验所需的时间t（秒）。一个好的“裁判”，需要在灵敏度和效率之间取得最佳平衡。

本文将深入解读这份成绩单，拆解每一种统计检验方法背后的原理、适用场景和计算代价，并基于表格中的实证数据，为你梳理出一套在复杂、高维数据场景下，选择和运用统计检验来评估生成模型的实战指南。无论你是机器学习工程师、数据科学家，还是物理、生物等领域的计算研究者，理解这些工具都将帮助你更可靠地验证你的模型，确保其输出值得信赖。

2. 核心统计检验方法原理与选型逻辑

面对琳琅满目的统计检验方法，如何选择？这取决于你的数据特性、你对差异类型的先验知识，以及你的计算预算。下面我们深入剖析表格中涉及的几种核心方法，理解它们为何在不同场景下表现迥异。

2.1 基于经验分布函数的检验：tKS与tSKS

Kolmogorov-Smirnov (KS) 检验及其平滑变体Smooth KS (SKS)检验，是统计学中的经典工具。它们的核心思想非常直观：比较两个样本的经验累积分布函数（ECDF）。

• tKS原理：计算两个样本ECDF之间的最大垂直距离，这个距离就是KS统计量。公式为：$D_{n,m} = \sup_x |F_{1,n}(x) - F_{2,m}(x)|$，其中$F_{1,n}$和$F_{2,m}$分别是两个样本的ECDF。这个统计量对分布的整体形状，特别是中位数的偏移非常敏感。
• tSKS的改进：经典KS检验对分布函数的位置极其敏感，但在高维或存在微小、局部差异时可能不够鲁棒。SKS检验引入了一个平滑核函数对ECDF进行平滑处理，这相当于在比较之前对分布做了一个“模糊”操作。这能有效降低对随机噪声的敏感度，更专注于捕捉分布的整体形态差异，有时能提供更稳定的性能。

从数据看表现：在表格中，对于µ-deformation（均值偏移），tKS和tSKS通常表现中等，ϵ值在0.07左右（CG模型）。但对于Σi,j-deformation（协方差结构变形），tKS在MoG模型上出现了灾难性的失效，ϵ值高达1.001，几乎失去了判别能力。这是因为KS检验主要捕捉一维或低维投影上的差异，对于高维协方差结构这种复杂的多维关系，其单变量或低维的检验方式难以有效捕捉。tSKS在此类问题上通常优于tKS，但依然不是最佳选择。

实操心得：KS类检验计算速度快（从t (s)列看，通常是第二快的梯队），是进行初步、快速筛查的好工具。尤其当你怀疑差异主要来自分布的中心位置（如均值）或单一维度的分布形状时。但对于高维数据中复杂的相关性结构，不要依赖KS检验作为最终判断。

2.2 基于矩匹配的检验：tSW与tMMD

这类检验通过比较样本的统计矩（如均值、方差、高阶矩）来判别分布。

• tSW (Shapiro-Wilk类型检验)：虽然原始的Shapiro-Wilk检验用于正态性检验，但表格中的tSW likely指其泛化或基于矩比较的变体。它通过比较样本的协方差矩阵与理论矩阵（或另一个样本的矩阵）来工作。它对数据的二阶统计特性（方差、协方差）非常敏感。
• tMMD (Maximum Mean Discrepancy，最大均值差异)：这是核方法在双样本检验中的经典应用。其核心思想是：如果两个分布相同，那么所有函数（在再生核希尔伯特空间RKHS中）的期望也应该相同。MMD通过一个核函数（如高斯核）将数据映射到高维特征空间，然后计算两个分布在这个空间中均值嵌入的距离。MMD的强大之处在于，只要核函数选择得当（通常是通用的，如高斯核），它可以检测到任意形式的分布差异。

从数据看表现：

• tSW：在Σii-deformation（方差变形）和Σi,j-deformation上，tSW经常表现优异。例如在CG模型的Σi,j变形中，tSW的ϵ为0.0436，优于tKS的1.0475。这说明它对协方差结构的变化有很好的捕捉能力。计算成本中等。
• tMMD：表现非常不稳定，且计算成本极高。在CG模型的U-deformation（一个复杂的多元变形）中，tMMD的ϵ高达1.536，几乎是表现最差的，而其计算时间（1574s）也仅次于最耗时的tNPLM。但在某些场景，如Scaled Particle特征的µ-deformation，它的ϵ（0.028）又相当不错。这种不稳定性与核函数带宽的选择密切相关。带宽选小了，对噪声敏感；选大了，可能平滑掉真实差异。MMD对超参数非常敏感。

避坑指南：MMD是一个理论上非常强大的工具，但在实践中，其性能严重依赖于核函数及其带宽的选择。表格中的数据很可能基于某种默认或调优后的带宽，但这在实际应用中是一个重大挑战。除非你愿意投入大量精力进行交叉验证来调参，否则其性能可能无法达到理论最优。tSW是一个更稳健的协方差比较工具。

2.3 基于似然与拟合优度的检验：tNPLM与tLLR

这类方法直接对数据的概率密度进行建模和比较，通常具有最高的理论灵敏度。

• tNPLM (Non-Parametric Likelihood-based Metric)：非参数似然检验。它不假设数据服从某个特定的参数分布（如高斯分布），而是使用灵活的非参数方法（如神经网络）来直接估计似然比，即$r(x) = p_{data}(x) / p_{model}(x)$。通过训练一个分类器（如神经网络）��区分真实数据和生成数据，分类器的输出经过校准后就可以作为似然比的估计。这种方法能自适应地学习任意复杂的差异。
• tLLR (Log-Likelihood Ratio)：对数似然比检验。这通常是参数方法，假设数据分布属于某个参数族，通过比较在备择假设和零假设下的最大似然值来进行检验。当模型设定正确时，LLR检验在统计上是最优的（根据Neyman-Pearson引理）。

从数据看表现：这是表格中的“明星选手”，尤其是tLLR。

• 灵敏度之王：在几乎所有类型的变形中，tLLR的ϵ值都是最小的，通常比其他方法小一个数量级。例如在CG模型的µ-deformation中，tLLR的ϵ95%CL为0.01053，而其他方法多在0.05-0.08之间。在pow±-deformation中，其ϵ值更是低至0.00069级别，灵敏度极高。
• 代价高昂：极高的灵敏度伴随着极高的计算成本。tNPLM的计算时间（t (s)）在表格中一骑绝尘，动辄数万秒（几小时到十几小时）。这源于其需要训练复杂的神经网络模型。tLLR的计算时间虽然也高达上千秒，但相比tNPLM已算“廉价”。值得注意的是，tLLR在部分变形（如某些Σi,j和U变形）下结果为“-”，这可能意味着在该参数化假设下，LLR统计量无法计算或失效。

核心洞见：tLLR的卓越性能有一个关键前提——你必须要知道或能正确指定数据的参数化形式。表格中的实验是在已知数据生成模型（如高斯分布、高斯混合模型）的前提下进行的，因此LLR可以使用真实的似然函数。在现实世界的未知复杂分布中，这个前提很难满足。tNPLM试图用非参数方法绕过这个问题，但其计算成本和训练稳定性是巨大的挑战。因此，这类方法代表了灵敏度的理论上限，但在实际中需谨慎使用。

2.4 其他方法与综合对比

表格中还有tFGD（可能基于Fréchet距离或Wasserstein距离），它在不同任务中表现稳健，通常处于中上游水平，计算成本中等偏高。

为了更直观地对比，我们根据表格数据，总结一个方法选型速查表：

这张表是你选择“裁判”的决策地图。没有一种方法在所有场景下都最好，你的选择必须基于对数据本身的理解、对差异类型的预期，以及你的计算约束。

3. 置信区间与误差分析：读懂评估报告的“不确定度”

在评估生成模型时，仅仅给出一个“差异分数”是远远不够的。我们还需要知道这个分数的可靠程度。这就是置信区间和误差棒的意义。在你的表格中，每一个ϵ值都伴随着一个上标和下标（如0.07086+0.034 -0.031），这提供了关于评估结果本身不确定性的关键信息。

3.1 ϵ是什么？为什么用95%和99% CL？

首先，表格中的ϵ（epsilon）并非直接的p值或检验统计量，而是一个效应量的度量。在这个实验框架下，它很可能代表了一种“污染比例”或“可探测的最小差异强度”。

• 实验设置解读：研究通常采用一种称为“混合模型”的框架来量化检验能力。具体来说，生成了一个混合数据集：其中大部分数据来自“零假设”分布（即生成模型是完美的），但混入了一小部分比例ϵ的数据，这部分数据来自一个“备择假设”分布（即存在某种特定变形，如均值偏移）。统计检验的任务就是判断这个混合样本是否与纯零假设样本有显著差异。
• ϵ的上界（ϵ95%CL）：这个值表示，在95%的置信水平下，该检验方法能够以一定功效（比如80%）探测到的最小污染比例。ϵ越小，说明该检验方法越灵敏，能够发现更微小的模型缺陷。99%置信水平（ϵ99%CL）的要求更严格，因此其值通常略大于95% CL下的值。
• 计算逻辑：通过大量的蒙特卡洛模拟，对不同的ϵ值进行假设检验，计算其拒绝零假设的概率（功效）。然后找到功效达到预定目标（如95%）时对应的ϵ值，即为ϵ95%CL。这个过程本身基于模拟，因此结果也有不确定性。

3.2 理解误差棒：+0.034 -0.031的含义

表格中每个ϵ值附带的+上标 -下标，是该ϵ估计值的置信区间。它反映了由于有限次数的蒙特卡洛模拟所带来的统计不确定性。

• 来源：ϵ95%CL本身是通过模拟估计得到的，这个估计过程存在抽样误差。误差棒通常是通过自助法（Bootstrap）或基于二项分布比例的标准误差公式计算得出。
• 解读：以CG模型µ变形下的tSW为例：ϵ95%CL = 0.07086+0.034 -0.031。这意味着，我们估计的ϵ95%CL是0.07086，但这个估计的不确定性大约在[-0.031, +0.034]之间。因此，真实的ϵ95%CL有很高的概率落在区间[0.07086-0.031, 0.07086+0.034]，即[0.03986, 0.10486]之间。
• 比较时的关键点：当比较两种方法的ϵ值时，必须考虑其误差棒的重叠。例如，方法A的ϵ=0.05±0.02，方法B的ϵ=0.06±0.02。虽然B的点估计值比A大，但由于误差棒有重叠，我们不能武断地说A一定比B更灵敏。只有当两个误差棒完全不重叠时，灵敏度的差异才是统计显著的。

实操要点：在阅读此类性能对比表格时，切勿只对比点估计值（加粗的数字）。一定要把误差棒纳入考量。一个点估计值稍大但误差棒很小的方法，可能比一个点估计值稍小但误差棒很大的方法更可靠。表格中将每个变形下最优的方法加粗，这通常是在考虑了误差范围后做出的判断。

3.3 计算时间t (s)与综合权衡

t (s)列给出了计算该检验统计量及其零分布（用于构建f(t0)分布）所需的时间（秒）。这是评估方法计算效率的直接指标。

• 时间构成：这个时间通常包括：1）计算检验统计量本身；2）通过重采样（如置换检验）或解析方法构建零假设下统计量的分布，以计算p值或临界值。
• 惊人的差距：观察表格，计算时间的跨度极大。最快的tKS/tSKS仅需数百秒，而最慢的tNPLM需要数万秒（超过5小时）。tLLR也需要上千秒。这种数量级的差异，在实际应用中往往是决定性的。
• 权衡的艺术：选择检验方法，永远是在灵���度（ϵ）和效率（t）之间做权衡。
  • 场景一：大规模超参数扫描。你正在训练一个生成对抗网络（GAN），需要快速评估数百个不同超参数配置下的模型质量。此时，tKS或tSW这类秒级到分钟级的方法是你的首选。虽然它们可能漏掉一些细微的协方差差异，但能快速淘汰掉明显失败的模型。
  • 场景二：最终模型验收。当你已经筛选出一个候选模型，准备部署到生产环境或用于严肃的科学分析前，你需要最严格的检验。此时，值得花费数小时甚至更长时间，运行tLLR（如果模型已知）或tNPLM，以确保没有遗留任何可探测的缺陷。
  • 场景三：在线监测。对于需要持续监控数据流质量的场景（如工业传感器数据），计算时间必须极短。你可能需要开发或选择计算复杂度为O(n)甚至更低的轻量级检验统计量。

经验之谈：在我的项目实践中，通常会建立一个分层评估流水线。首先用快速的KS/MMD（使用默认核）进行初筛和迭代开发。在关键节点，使用基于矩的检验（如能量距离、SW变体）检查二阶统计量。最终，对于少数几个顶级候选模型，才会动用“大杀器”似然比检验或进行耗时的置换检验以获取精确p值。这种“漏斗式”的策略能最大化研发效率。

4. 实战指南：如何为你的生成模型选择合适的检验方法

理论很丰满，但现实中的数据往往更复杂。结合表格中的实证发现，我为你梳理了一套从问题定义到方法落地的实战流程。

4.1 第一步：明确你的评估目标与数据特性

在动手之前，先问自己三个问题：

1. 我想检测什么类型的差异？（先验知识）

   • 整体偏移：生成的数据整体偏大或偏小？ -> 关注µ-deformation列，tKS、tSKS、tLLR敏感。
   • 离散度变化：生成数据的波动性（方差）不对？ -> 关注Σii-deformation列，tSW、tFGD、tLLR敏感。
   • 结构关系错误：变量之间的相关性或协方差结构错了？ -> 关注Σi,j-deformation列，tSW、tFGD表现突出，tKS基本失效。
   • 尾部行为异常：生成的数据在极端值（尾部）处概率不对？ -> 关注pow±-deformation列，tLLR、tNPLM等似然方法通常有优势。
   • 完全未知的复杂差异：我不知道模型会怎么错，只想找一个“通用侦探”。 -> 考虑tMMD（但需调参）或tNPLM（计算代价大）。

2. 我的数据维度高吗？样本量多大？

   • 高维数据（d=20甚至更高）：像表格中研究的CG、MoG模型。基于ECDF的检验（tKS）效力会迅速下降，因为高维空间中的ECDF难以定义和计算。应优先考虑基于矩（tSW）、核方法（tMMD）或似然（tNPLM/LLR）的方法。
   • 大样本量（n, m > 10^4）：如表中的n = m = 2·10^4。大样本能让几乎所有检验方法的威力提升（ϵ变小），但也会急剧增加计算成本，尤其是像tMMD这样复杂度在O(n²)或以上的方法。需要权衡。

3. 我的计算预算是多少？

   • 开发/调试阶段：需要快速反馈，选择tKS、tSKS或轻量化的矩检验。
   • 最终验证/报告阶段：可以接受小时级别的计算，考虑tLLR（若适用）或进行大量重采样的tMMD。
   • 实时或频繁评估：必须选择时间复杂度线性O(n)的方法，可能需要专门设计或采用近似算法。

4.2 第二步：构建一个分层评估流程

我推荐一个三层评估体系，这与软件测试中的“单元测试-集成测试-系统测试”理念相似：

1. 第一层：快速完整性检查（单元测试）

   • 目的：快速发现重大、明显的错误。
   • 方法：
     • 单变量边际分布检验：对每个特征维度单独做KS检验或安德森-达林检验。虽然不能捕捉相关性，但能快速发现某个特征的分布明显错误。
     • 基本统计量对比：直接比较真实样本和生成样本的均值向量、协方差矩阵的Frobenius范数差异。计算极快，能直观反映一、二阶矩的匹配情况。
   • 行动：如果这一层发现显著问题，直接回溯模型训练过程，无需进行更昂贵的检验。

2. 第二层：核心分布特性检验（集成测试）

   • 目的：系统性地检验数据分布的关键特性，特别是多元关系。
   • 方法：根据第一步对差异类型的猜想，从表格中的“明星方法”里选择。
     • 如果关心协方差：优先使用tSW或其思想（比较协方差矩阵）。
     • 如果关心任意差异且有一定计算资源：使用tMMD，但务必进行核带宽调优。可以采用中位数启发式或通过交叉验证在一个小样本集上选择带宽。
     • 如果数据维度极高：考虑使用随机傅里叶特征等方法来近似MMD，以降低计算复杂度。
   • 行动：这一层的结果用于模型间的横向对比和迭代优化。

3. 第三层：终极灵敏度测试（系统测试）

   • 目的：在模型交付前，进行最严格的、接近理论极限的验证。
   • 方法：
     • 黄金标准：如果数据生成过程有明确的参数化概率模型，毫不犹豫地使用似然比检验（tLLR）。它是灵敏度最高的方法。
     • 黑盒模型：如果生成模型是一个复杂的黑盒（如GAN、扩散模型），考虑使用分类器双样本检验。训练一个神经网络分类器来区分真实数据和生成数据，分类器的测试准确率（或AUC）可以作为一个检验统计量，其原理与tNPLM类似。虽然计算成本高，但非常强大。
     • 基于模拟的检验：如果生成过程可以快速模拟，可以使用置换检验为任何你选择的检验统计量（如MMD、能量距离）计算精确的p值，避免对渐近分布的依赖。
   • 行动：此层结果作为模型性能的最终报告依据。

4.3 第三步：实施、解读与报告

1. 实施注意事项：

   • 数据预处理：确保真实数据和生成数据经过相同的标准化、归一化处理。许多检验方法对数据的尺度敏感。
   • 重采样次数：如果使用置换检验或自助法计算p值/置信区间，重采样次数B必须足够大（通常B≥1000），以确保结果的稳定性。表格中的误差棒也提醒我们，基于模拟的结果本身有变异性。
   • 多次运行：对于tNPLM这类基于随机初始化神经网络的方法，应多次运行取平均，以抵消训练随机性的影响。

2. 解读结果：

   • 结合p值和效应量：不要只看p值是否小于0.05。一个在超大样本下得到的显著p值，可能对应的实际分布差异（效应量）微乎其微，没有实际意义。表格中的ϵ就是一个很好的效应量指标。在你的评估中，可以同时报告p值和某种距离度量（如MMD值、Wasserstein距离）。
   • 可视化辅助：永远用可视化来辅助统计检验。绘制真实与生成数据的散点图矩阵（pairplot）、边际分布直方图、t-SNE/UMAP降维图。统计检验告诉你“是否不同”，可视化能告诉你“哪里不同”。
   • 关注误差棒：如同分析表格数据时一样，对自己评估结果的不确定性要有认识。可以通过自助法给出主要评估指标（如MMD值）的置信区间。

3. 报告清单：

   • 明确说明所使用的检验方法及其原理。
   • 报告检验统计量的值、p值，以及如果可能的话，效应量估计值（如ϵ的估计）。
   • 报告计算时间，这对于方法复现和实用性评估至关重要。
   • 说明样本量、数据维度、预处理步骤和任何重要的超参数（如MMD的核带宽）。
   • 附上关键的可视化图表��

5. 常见陷阱与疑难问题排查

即使理解了原理，在实际操作中依然会踩坑。以下是我从经验中总结出的典型问题及解决方案。

5.1 陷阱一：忽视检验的“势”（Power）与样本量

• 问题：在样本量很小时，即使两个分布确实不同，统计检验也可能无法拒绝零假设（p值很大），这是因为检验“势”不足。反之，在样本量极大时，即使差异微不足道，也可能得到极显著的p值。
• 排查与解决：
  • 事前进行势分析：在开始评估前，如果你对模型可能存在的差异大小有一个粗略估计，可以进行模拟，估算在当前样本量下，你的检验方法有多大把握（势）检测到这种差异。这能帮助你确定需要多少样本。
  • 解读时结合样本量：对于大样本下的显著结果，要追问：“这个统计显著差异，在实际应用中是否重要？”参考表格中的ϵ值，思考你关心的实际差异阈值是多少。
  • 使用效应量：始终与p值一起报告效应量（如Cohen‘s d、MMD值、表格中的ϵ），这能帮助区分“统计显著”和“实际重要”。

5.2 陷阱二：高维灾难与维度诅咒

• 问题：在数百、数千维的数据中，几乎所有样本点都位于高维空间的边缘地带，距离概念失效，许多基于距离或密度的检验方法性能会急剧下降。
• 排查与解决：
  • 降维后检验：先使用PCA、t-SNE或UMAP等降维方法，在低维投影上进行比较。但要注意，降维会丢失信息，可能掩盖某些高维特有的差异。
  • 使用专门的高维检验：选择那些理论上或实证上对高维数据更鲁棒的方法。例如，基于随机投影的检验，或者专注于比较一维投影最大差异的检验（如Energy Distance的某些变体）。表格中的tSW（基于协方差）在高维下通常比tKS更稳定。
  • 分块或分层检验：如果特征有分组结构（如图像的通道、物理事件的不同观测子集），可以分别对每个组进行检验，再综合结果（注意多重检验校正）。

5.3 陷阱三：误用或误解p值

• 问题：p值被误认为是“零假设为真的概率”或“差异大小的度量”，导致错误结论。
• 排查与解决：
  • 正确理解p值：p值是在零假设（分布相同）成立的条件下，观察到当前检验统计量值（或更极端值）的概率。p值小，不代表差异大，只表示我们观察到的结果在“无差异”的假设下不太可能发生。
  • 不要二分法：避免简单地将p<0.05视为“模型不好”，p>0.05视为“模型好”。应该将其视为一个连续证据强度指标，并结合其他证据（如效应量、可视化）综合判断。
  • 考虑多重检验：如果你对同一个生成模型进行了多种不同的检验（比如测试了10种不同的变形），那么偶然出现一个很小的p值（假阳性）的概率会大大增加。需要使用Bonferroni校正或错误发现率（FDR）控制方法来调整p值阈值。

5.4 陷阱四：计算效率的隐性成本

• 问题：只关注了单次检验的时间，忽略了在模型迭代中需要反复运行，或者为计算零分布需要进行成千上万次重采样带来的总时间成本。
• 排查与解决：
  • 利用渐进分布：对于像KS检验这样的经典方法，其统计量在零假设下的分布有已知的渐进形式，可以直接查表或计算p值，无需重采样，速度极快。
  • 使用近似加速技术：对于MMD等计算成本高的方法，可以采用随机傅里叶特征（Random Kitchen Sinks）、Nyström方法等来近似核矩阵，将复杂度从O(n²)降至O(n)或O(n log n)。
  • 并行化：置换检验和自助法天然适合并行计算。确保你的代码能够利用多核CPU或GPU进行加速。
  • 分层策略：正如之前建议的，用快速检验进行早期筛选，只在最后阶段动用重型武器。

5.5 性能对比表格深度解读与决策

回到你提供的表格，我们可以从中提炼出更具操作性的建议：

• 对于已知的参数化模型：tLLR是无冕之王。如果你的生成模型和数据都有明确的概率密度函数（如高斯混合模型、特定的物理理论模型），那么投入资源实现并运行LLR检验是值得的，它能给你最灵敏的判决。注意表格中tLLR在部分变形下缺失，这提示我们LLR的实现依赖于具体的备择假设形式。
• 对于通用的黑盒模型评估：tFGD（或类似的距离度量）和tSW是稳健的“多面手”。从表格看，tFGD在各种变形下表现很少垫底，多数处于中上游，且计算时间是可接受的（千秒量级）。tSW在检测协方差相关变形时表现突出。可以将它们作为核心的评估指标。
• 永远把计算时间纳入决策：对比CG模型下µ-deformation的检测：tLLR的ϵ是0.01053（最佳），耗时1306秒；tKS的ϵ是0.06957，耗时366秒。tLLR的灵敏度提高了约6倍，但耗时增加了约3.6倍。你需要问自己：为了这6倍的灵敏度提升，多等将近1000秒值得吗？在模型开发的早期，答案可能是否定的。
• 关注最坏情况：不要只看平均表现。观察U-deformation（一种复杂变形）下的结果：tMMD的性能急剧下降（ϵ很大），而tNPLM和tLLR（如果可用）依然保持较好的灵敏度。这意味着，如果你的应用场景可能出现未知的、复杂的分布扭曲，那么基于似然或灵活非参数的方法可能更安全，尽管它们更慢。

最终，评估生成模型没有银弹。这份详实的性能对比表格，其最大价值在于为我们揭示了不同工具在不同“战场”上的优势和短板。最有效的策略，是理解你的“战场”（数据与问题），然后为你的“士兵”（检验方法）分配合适的任务，并建立一个从快速侦察到精密打击的分层评估体系。只有这样，你才能自信地说，你的生成模型不仅看起来不错，而且经得起统计学的严格拷问。