Dual-engine architecture: tension-based confidence yields AUROC=1.0 anomaly detection and AUC=0.925 precognition
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 5/5
- Tempo stimato
- Più di una settimana
- Idoneità per principianti
- 20/100
- Tipo di issue
- Funzionalità
- Chiarezza
- Da chiarire
- Stato di attività
- Tranquilla
- Stack tecnologico
- python
- Ambito
- machine-learning
Direzione di ricerca
Inizia leggendo il progetto logout collegato e i progetti correlati Anima e ph-training per comprendere l’architettura proposta a doppio motore e le metriche riportate. Non vengono indicati file, test, comandi o punti di ingresso del repository, quindi l’issue non definisce un percorso di implementazione concreto né una condizione di completamento verificabile.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
logout — Consciousness Continuity Engine
A dual-engine repulsion field where output = scale × sqrt(tension) × direction. The tension between two engines directly measures confidence:
- High tension = high confidence (correct predictions): Cohen d=0.89
- Low tension = uncertainty (wrong predictions)
- Extreme tension on OOD = confusion (AUROC=1.0, 95x ratio)
Algorithmic efficiency implications
- Tension-based early rejection: skip low-confidence samples → +15.2% accuracy on CIFAR
- 1-epoch difficulty prediction: no need to train full schedule to assess dataset hardness
- Confusion pairs determined in epoch 1: allocate compute to hard pairs only
Validated on 16 data types (image, text, audio, time series, tabular, anomaly detection).
Related projects
- Anima — Conversational agent with real-time PH monitoring
- ph-training — Automatic training with PH overfitting detection (r=0.998)
- Lingua principale
- Python
- Stelle
- 425
- Fork
- 78
- Metriche di merge delle PR
- Nessuna PR unita negli ultimi 30g
Preparare l'ambiente
Come iniziare
- Leggi tutta la issue e poi la guida ai contributi del progetto.
- Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
- Fai un fork del repository e lavora su un branch.
- Apri una pull request che faccia riferimento al numero della issue.
Altre issue di mlcommons/algorithmic-efficiency
-
Difficoltà 5/5 Più di una settimana Idoneità per principianti 30/100
-
Difficoltà 4/5 3-5 giorni Idoneità per principianti 38/100
mlcommons/algorithmic-efficiency#924 · 5 commenti ·
-
Anima: live PH monitoring in conversational agent — overfitting detection every 50 interactionsAperta
Difficoltà 5/5 Più di una settimana Idoneità per principianti 25/100
-
Topological overfitting detection: H0 gap catches overfitting before accuracy diverges (r=0.998)Aperta
Difficoltà 5/5 Più di una settimana Idoneità per principianti 15/100
-
Difficoltà 3/5 1-2 giorni Idoneità per principianti 48/100
Tutte le issue di mlcommons/algorithmic-efficiency
Issue simili
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 86/100
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-2 giorni Idoneità per principianti 70/100
-
FingerprintSplitter raises ZeroDivisionError when int(frac_train * len(dataset)) floors to zeroAperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 88/100
I maintainer di solito rispondono entro 7 giorni
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 70/100
lmstudio-ai/mlx-engine#376 ·
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 72/100
pyiron/bagofholding#166 ·