PREREG before the run: the empty-step feature (similarity of |f_n| to |f_n-1|, rule S > 1/2, the bisection constant) and the repeating-pattern feature with the period chosen from the data (lag maximising the mean ratio similarity of rho_j and rho_j-p over the history, lags up to half the history). Detectability only; criteria E1/E2/R1/R2 and the falsifier declared; no rule in the method.
Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
This commit is contained in:
Claude Opus 5
@@ -0,0 +1,42 @@
|
||||
# PREREG — признак пустого шага и признак повтора рисунка (проверка различимости)
|
||||
|
||||
Составлено до прогона. Основание: разбор `diag_contraction_sequence.py` (коммит `0ec7142`) показал,
|
||||
что на плоских функциях xᵐ метод ходит циклом из 4 вычислений — два недолёта ρ = (1−1/m)^m,
|
||||
перескок, **почти пустое вычисление ρ ≈ 1**. Похожесть соседних ρ режим не распознала (AUC 0.28–0.42).
|
||||
Валерий: «пред-регистрируй и проверь признак пустого шага; длину периода всегда можно выбрать из
|
||||
данных».
|
||||
|
||||
⚠️ Оба признака подсказаны картинкой, которую я уже видел. Поэтому здесь — только **проверка
|
||||
различимости** на записанных траекториях, без правила в методе. Правило строится, только если
|
||||
проверка пройдена, и под отдельной пред-регистрацией.
|
||||
|
||||
## Признаки (ρₙ = |fₙ / fₙ₋₁|, трасса предложенного метода и чтения (3))
|
||||
|
||||
**E — пустой шаг.** Похожесть нового значения на старое, форма отношения SIM:
|
||||
`S_E = min(|fₙ|, |fₙ₋₁|) / max(|fₙ|, |fₙ₋₁|)`. Пустой шаг: S_E близко к 1.
|
||||
Правило без выбранного порога: **S_E > ½** — шаг убрал меньше половины |f|, то есть проиграл
|
||||
тому, что даёт деление пополам на простом корне. Число ½ — единственная константа метода
|
||||
(определение деления), а не выбор.
|
||||
|
||||
**R — повтор рисунка.** Период p выбирается **из данных** в каждом состоянии: среди лагов
|
||||
2 … ⌊k/2⌋ (k — сколько ρ уже есть в истории) берётся тот, при котором средняя похожесть
|
||||
`min(ρⱼ, ρⱼ₋ₚ)/max(ρⱼ, ρⱼ₋ₚ)` по доступной истории максимальна. Признак — эта максимальная
|
||||
похожесть S_R. Правило: **S_R > ½**, та же константа. Верхняя граница лагов задаётся длиной истории
|
||||
(нужно минимум два повтора), а не выбирается.
|
||||
|
||||
## Критерии (объявлены до прогона)
|
||||
|
||||
| # | что меряется | ПРОЙДЕНО, если |
|
||||
|---|---|---|
|
||||
| E1 | AUC S_E: плоские против APS, fun1, прочих CHA | > 0.5 против **всех трёх** групп |
|
||||
| E2 | доля срабатываний S_E > ½ | на плоских выше, чем на APS **и** на fun1 |
|
||||
| R1 | AUC S_R, те же три сравнения | > 0.5 против всех трёх |
|
||||
| R2 | доля срабатываний S_R > ½ | на плоских выше, чем на APS и на fun1 |
|
||||
|
||||
Планки для сравнения: `m ≥ 2` — 0.2% на APS, 5.8% на плоских; похожесть соседних ρ — AUC 0.28–0.42.
|
||||
|
||||
**Фальсификатор:** если E1 или E2 ложны — признак пустого шага режим не различает, правило на нём не
|
||||
строим. То же для R.
|
||||
|
||||
**Что не заявляется даже при успехе:** что правило окупится. Срабатывание на APS — это лишние
|
||||
деления пополам там, где метод выигрывает; цену покажет только отдельный прогон правила в методе.
|
||||
@@ -0,0 +1,90 @@
|
||||
"""Detectability check for PREREG_empty_step_2026-09-21.md: empty step (E) and repeating
|
||||
pattern with the period chosen from the data (R). Method untouched - states come from the
|
||||
behaviour-neutral trace hook.
|
||||
|
||||
python -u diag_empty_step.py
|
||||
"""
|
||||
from __future__ import annotations
|
||||
|
||||
from scipy.optimize._tstutils import _APS_TESTS_DICTS, _CHANDRUPATLA_TESTS_DICTS
|
||||
|
||||
from diag_contraction_similarity import CONFIGS, FLAT, auc
|
||||
from simroot.pure import pure_root
|
||||
|
||||
XTOL, MAXFEV, ACC = 1e-12, 200, 1e-6
|
||||
|
||||
|
||||
def ratio_sim(a, b):
|
||||
hi, lo = max(a, b), min(a, b)
|
||||
return lo / hi if hi > 0.0 else 1.0
|
||||
|
||||
|
||||
def features(f, a, b, r, cfg):
|
||||
"""(S_E, S_R) at every traced state; S_R is None until two repeats fit the history."""
|
||||
st = {"trace": []}
|
||||
x, _n, conv = pure_root(f, a, b, XTOL, MAXFEV, stats=st, **cfg)
|
||||
if not (conv and abs(float(x) - r) <= ACC):
|
||||
return []
|
||||
out, rhos = [], []
|
||||
for s in st["trace"]:
|
||||
if s["xp2"] is None or s["fx"] == 0.0 or s["fp"] == 0.0:
|
||||
continue
|
||||
rho = abs(s["fx"] / s["fp"])
|
||||
if not (rho == rho) or rho == float("inf"):
|
||||
continue
|
||||
rhos.append(rho)
|
||||
s_e = ratio_sim(abs(s["fx"]), abs(s["fp"]))
|
||||
s_r = None
|
||||
k = len(rhos)
|
||||
best = None
|
||||
for p in range(2, k // 2 + 1): # at least two repeats must fit the history
|
||||
sims = [ratio_sim(rhos[j], rhos[j - p]) for j in range(p, k)]
|
||||
v = sum(sims) / len(sims)
|
||||
if best is None or v > best:
|
||||
best = v
|
||||
s_r = best
|
||||
out.append((s_e, s_r))
|
||||
return out
|
||||
|
||||
|
||||
def main():
|
||||
out = {}
|
||||
for cname, cfg in CONFIGS.items():
|
||||
groups = {"APS": [], "CHA fun1": [], "CHA flat fun3-6": [], "CHA other": []}
|
||||
for d in _APS_TESTS_DICTS:
|
||||
a, b = (float(v) for v in d["bracket"])
|
||||
f = (lambda ff, aa: lambda t: ff(t, *aa))(d["f"], d.get("args", ()))
|
||||
groups["APS"] += features(f, a, b, float(d["root"]), cfg)
|
||||
for d in _CHANDRUPATLA_TESTS_DICTS:
|
||||
a, b = (float(v) for v in d["bracket"])
|
||||
fam = str(d["ID"]).split(".")[0]
|
||||
g = ("CHA flat fun3-6" if fam in FLAT else "CHA fun1" if fam == "fun1"
|
||||
else "CHA other")
|
||||
groups[g] += features(d["f"], a, b, float(d["root"]), cfg)
|
||||
print(f"\n== {cname}")
|
||||
print(f" {'group':<18} {'states':>7} {'E: S_E > 1/2':>13} {'R: S_R > 1/2':>13}"
|
||||
f" {'(R defined)':>12}")
|
||||
res = {"rates": {}, "auc": {}}
|
||||
for g, v in groups.items():
|
||||
n = max(len(v), 1)
|
||||
vr = [x[1] for x in v if x[1] is not None]
|
||||
e_rate = 100.0 * sum(x[0] > 0.5 for x in v) / n
|
||||
r_rate = 100.0 * sum(y > 0.5 for y in vr) / max(len(vr), 1)
|
||||
res["rates"][g] = (len(v), e_rate, len(vr), r_rate)
|
||||
print(f" {g:<18} {len(v):7d} {e_rate:12.1f}% {r_rate:12.1f}% {len(vr):12d}")
|
||||
flat = groups["CHA flat fun3-6"]
|
||||
print(" AUC, flat states against: E R")
|
||||
for g in ("APS", "CHA fun1", "CHA other"):
|
||||
ae = auc([x[0] for x in flat], [x[0] for x in groups[g]])
|
||||
ar = auc([x[1] for x in flat if x[1] is not None],
|
||||
[x[1] for x in groups[g] if x[1] is not None])
|
||||
res["auc"][g] = (ae, ar)
|
||||
print(f" {g:<30} {ae:.3f} {ar:.3f}")
|
||||
out[cname] = res
|
||||
print("\nbars: m>=2 fires 0.2% canonical / 5.8% flat; successive-ratio similarity AUC"
|
||||
" 0.28-0.42")
|
||||
return out
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
main()
|
||||
Reference in New Issue
Block a user