设置消融图：让实验划分差异变成可读结果¶

本案例展示如何优化一个 setting ablation figure，使其从“示意图加点线对比”转向“直接展示实验结果差异”的科研图表达。

设置消融图常用于说明不同数据划分、训练协议或评估设定会带来怎样的性能变化。它的核心任务不是只告诉读者“两个 setting 不一样”，而是让读者看到：这种 setting 差异是否真实影响了实验结论。

Partition ablation figure comparison

文件说明¶

original.png：原始设置消融图
revised.py：修改后的绘图代码，对应 revised.png
revised.png：修改后的设置消融图
comparison.jpg：原图与修改后效果对比

本案例重点不是讨论 random split 或 temporal stream 哪个更合理，而是讨论如何把 setting ablation 的结果画得更清楚、更适合论文阅读。

案例背景¶

该图用于比较两种数据划分方式下的模型表现：

temporal stream / timeblock：按时间顺序划分，保留真实时间结构；
random task split：打乱任务或 block 顺序，形成随机划分；
Balanced Accuracy：用于比较不同方法在不同划分方式下的性能。

图中涉及两个数据集 ISRUC 和 HMC，三个 time block 设置 tb6、tb8、tb10，以及三种方法 Head-Only、SeqLoRA 和 ROSA。

这张图希望表达的核心结论是：

temporal partition 和 random split 不是可以互换的设置；
不同划分方式会带来显著的性能差异。

因此，图的重点应该落在每个数据集、每个 time block、每个方法下的具体结果，而不是只展示两个 partition 的概念差异。

原图¶

Original partition ablation figure

原图问题¶

原图已经包含 temporal stream 与 random task split 的示意，也展示了不同方法的性能变化，但作为实验结果图仍有几个问题：

结果细节不足
点线图可以看出两个 setting 之间存在差异，但具体数值不够直接。读者很难快速比较每个方法在不同数据集和 time block 下的实际表现。
示意部分占比偏大
左侧 partition schematic 占据较多空间，但真正支撑结论的是右侧实验结果。对于 ablation figure 来说，示意图不应压过结果图。
读图路径不够自然
读者需要先理解 temporal / random 的符号，再跨多个小图比较点的位置和连线长度，阅读负担较高。
方法和 setting 的关系不够直观
点线连接强调同一方法在两个 partition 下的差异，但不利于横向比较 Head-Only、SeqLoRA 和 ROSA 的绝对表现。
不够像论文中的结果分析图
原图更像“设置解释 + 结果草图”，而不是完整的实验结果展示。它能表达方向，但不够方便读者审查数据。

简而言之：

原图的问题不是“没有结果”，而是“结果没有被放在最容易比较和验证的位置”。

修改后¶

Revised partition ablation figure

主要改进¶

相对于原图，修改后的版本主要做了以下改进：

改用 bar plot 展示结果
每个方法下直接并排展示 timeblock 与 random split 的 Balanced Accuracy，读者可以立即比较两种 setting 的数值差异。
用分面布局组织变量
行表示数据集，列表示 tb6、tb8、tb10。这种布局让 dataset、time block 和 method 三个维度各有固定位置，阅读路径更稳定。
保留最小必要示意
顶部只保留 temporal stream 与 random split 的简化 block 顺序，帮助读者理解颜色含义，但不再让示意图占据主要空间。
突出结果区域
六个结果 panel 成为视觉主体，每个柱子上直接标注数值，方便读者检查具体实验结果。
统一坐标轴和视觉规则
所有 panel 共享 y 轴范围，避免不同子图尺度不一致造成误读。网格、背景色和边框也被统一控制。
减少 x 轴拥挤
方法名只在底部行显示，上方行隐藏重复 x tick label，使整体布局更干净。

代码层面的修改¶

本案例的修改重点是把“点线差异图”改成“分面柱状结果图”。核心变化可以概括为：

设置示意压缩到顶部
→ dataset × time block 分面
→ 每个方法并排展示两种 partition
→ 统一 y 轴范围
→ 直接标注数值

1. 用固定顺序组织实验变量¶

修改后的代码显式定义数据集、time block 和方法顺序：

FIG1_DATASET_ORDER = ["ISRUC", "HMC"]
TB_ORDER = ["tb6", "tb8", "tb10"]
FIG1_METHOD_ORDER = ["head_only", "seq_lora", "ROSA"]

这种写法可以避免绘图顺序受原始数据表顺序影响，也让 figure layout 与论文叙述保持一致。

2. 使用 GridSpec 构建顶部示意和结果分面¶

修改后的图采用 3 × 3 布局：第一行放简化 schematic，下面两行放六个结果 panel。

gs = fig.add_gridspec(
    3,
    3,
    height_ratios=[0.1, 1.0, 1.0],
    left=0.055,
    right=0.992,
    top=0.94,
    bottom=0.11,
    wspace=0.1,
    hspace=0.12,
)

这样做的好处是：示意图只作为图例式说明存在，主要空间留给实验结果。

3. 用并排柱子直接比较两个 setting¶

每个方法下绘制两根柱子，分别对应 timeblock 和 random split：

ax.bar(
    m_i - width / 2,
    t,
    width=width,
    color=to_rgba(COLORS["timeblock"], 0.38),
    edgecolor="#000000",
    linewidth=1.0,
)
ax.bar(
    m_i + width / 2,
    q,
    width=width,
    color=to_rgba(COLORS["random"], 0.38),
    edgecolor="#000000",
    linewidth=1.0,
)

相比原图中的水平连线，并排柱子更适合表达“两个 setting 下的实际结果是多少”，尤其适合需要读者检查数值大小的 ablation figure。

4. 统一 y 轴范围和数值标注¶

修改后的代码先收集全部结果，再统一计算 y 轴范围：

all_vals = []
for r in FIG1_ROWS:
    all_vals.extend([r["timeblock_mean"], r["random_mean"]])
y_min, y_max = axis_limits(all_vals)

每个柱子上方直接标出两位小数：

ax.text(
    m_i - width / 2,
    t + 0.01,
    f"{t:.2f}",
    ha="center",
    va="bottom",
)

这让读者不需要依赖估读坐标轴即可比较结果，也更适合展示 setting ablation 的具体差异。

经验总结¶

设置消融图的关键不是把 setting 画得很完整，而是让读者看到 setting 的改变是否会改变实验结论。示意图可以帮助理解实验设计，但不能替代结果展示。

当图的论点是“两个实验设置不可互换”时，最重要的信息通常是每个方法、每个数据集、每个设置下的具体性能。图的布局应该优先服务于这些比较。

检查清单¶

画 setting ablation figure 或 protocol comparison figure 时，可以检查：

图是否清楚说明比较的是哪两个 setting？
是否展示了每个 setting 下的具体实验结果？
是否避免让示意图占据过多空间？
多个数据集或 time block 是否用稳定的分面结构组织？
不同子图是否共享可比较的坐标轴范围？
颜色是否稳定对应同一种 setting？
数值标注是否帮助读者快速检查结果？
图是否能直接支持“setting 改变会影响结论”的判断？

可复用原则¶

setting ablation 不是只画 setting。 如果结论来自性能变化，结果图应该是主体。
示意图负责解释变量，结果图负责支撑论点。 两者不要抢视觉重心。
分面布局适合多维实验。 dataset、time block 和 method 应该各有稳定位置。
共享坐标轴范围能减少误读。 尤其是跨数据集或跨设置比较时。
当读者需要比较具体数值时，bar plot 往往比点线草图更直接。