Hacktoberfest 2026: le issue che i maintainer hanno segnato per ottobre, aperte e adatte ai principianti. Sfoglia le issue Hacktoberfest

Topological overfitting detection: H0 gap catches overfitting before accuracy diverges (r=0.998)

Aperta
  • Qualcosa non va?
#917 0 commenti 0 reazioni 0 assegnatari Vedi su GitHub

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
5/5
Tempo stimato
Più di una settimana
Idoneità per principianti
15/100
Tipo di issue
Funzionalità
Chiarezza
Da chiarire
Stato di attività
Tranquilla
Stack tecnologico
python
Ambito
machine-learning

Direzione di ricerca

La issue non indica alcun file, test o punto di ingresso nel repository MLCommons Algorithmic Efficiency. Inizia individuando le linee guida del repository per i contributi ai benchmark e determinando se la pipeline esterna ph-training e il metodo basato su ripser rientrano nel suo ambito; il lavoro sarebbe completo quando fossero definiti un punto di integrazione, evidenze riproducibili del benchmark e criteri di validazione accettati.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

Summary

We found that Persistent Homology (H0 total persistence) on class-mean direction vectors provides a real-time overfitting signal with r=0.998 correlation to the generalization gap — often detecting overfitting before the train/test accuracy gap becomes visible.

Method

  1. Extract direction vectors from model: d = normalize(engine_A(x) - engine_G(x))
  2. Compute per-class mean directions
  3. Build cosine distance matrix between class centroids
  4. Run H0 persistent homology (via ripser)
  5. Compare H0_train vs H0_test — the gap predicts overfitting

Also includes

  • Automatic LR search: The LR that minimizes H0 CV (coefficient of variation) over 5 epochs = optimal LR
  • 1-epoch difficulty prediction: H0 after 1 epoch predicts final accuracy (H0=4.38 → 98.3%, H0=2.02 → 52.0%)
  • Confusion prediction: H0 merge order = confusion pairs (Spearman r=-0.97)

Verified results

Dataset Accuracy Best LR Early Stop Time
MNIST 98.3% 1e-03 no 2.2 min
Fashion 87.4% 3e-04 no 2.2 min
CIFAR-10 52.0% 1e-03 yes (ep 6) 1.4 min

CIFAR early-stopped at epoch 6 when H0_gap exceeded threshold — preventing wasted compute on a model that was already overfitting.

Repo: https://github.com/need-singularity/ph-training
Install: pip install -e . then ph-train --dataset cifar

Related projects

  • logout — Consciousness Continuity Engine. The main research project with the dual-engine (PureFieldEngine) architecture that produces direction vectors analyzed by PH.
  • Anima — Conversational consciousness agent with real-time PH overfitting detection integrated into the live inference loop.
  • ph-training — Standalone training pipeline. pip install -e . then ph-train --dataset cifar.
Lingua principale
Python
Stelle
425
Fork
78
Nessuna PR unita negli ultimi 30g

Preparare l'ambiente

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di mlcommons/algorithmic-efficiency

Tutte le issue di mlcommons/algorithmic-efficiency

Issue simili

Altre issue su Python

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.