在算法选择领域，常用 Oracle 风格的指标（如虚拟最佳求解器、选取组合的 VBS、虚拟最佳编码以及族内最佳汇总）来给出可部署选择器的上界。对于分解式算法选择，分区层面的得分相当于在已选族内给出最佳算法的 Oracle 选择；一旦族选择器固定，实际系统必须用学习得到的族内选择器来替代该 Oracle。我们将部署保真差距记为 $G(R)$，它是分区层面效用与端到端可部署效用的差值。由此得到两条重要推论：① 每实例的 margin‑regret 稳定性条件，指明何时分区时的族选择已经是部署最优；② 严格跨越零点的分区仅识别区间表明分区报告无法证明可部署方案的胜出。我们在五个公开的算法选择基准（涵盖表格 AutoML 与组合 CSP/SAT）上进行实验，所有分解流水线的 $G(R)$ 均为正值，范围从 TabZilla 的 0.012 到 PROTEUS‑2014 的 0.13。十组分解‑对‑平面比较中有四组点估计符号会变换；在 PROTEUS‑2014 上，分区优势 33 分在端到端评估中仅剩 20 分。通过训练侧的验证差距校正诊断，可恢复所有四个符号变换单元的可部署符号，这是一种报告辅助工具，而非端到端评估的替代。建议在报告中同时给出分区得分和端到端得分。
点评