File size: 5,944 Bytes
4d96ebf |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 |
---
license: mit
language:
- en
- ru
metrics:
- roc_auc
- accuracy
base_model:
- xolod7/polyharmonic-cascade
---
# Polyharmonic Cascade / Полигармонический каскад
## Code
- GitHub: https://github.com/xolod7/polyharmonic-cascade
[](https://doi.org/10.5281/zenodo.16811633)
A deep learning architecture derived from first principles — random function theory and indifference postulates.
Архитектура глубокого обучения, выведенная из первых принципов — теории случайных функций и постулатов индифферентности.
---
## Papers / Статьи
### English (arXiv)
1. Bakhvalov, Y. N. (2025). Solving a Machine Learning Regression Problem Based on the Theory of Random Functions. [arXiv:2512.12731](https://doi.org/10.48550/arXiv.2512.12731)
2. Bakhvalov, Y. N. (2025). Polyharmonic Spline Packages: Composition, Efficient Procedures for Computation and Differentiation. [arXiv:2512.16718](https://doi.org/10.48550/arXiv.2512.16718)
3. Bakhvalov, Y. N. (2025). Polyharmonic Cascade. [arXiv:2512.17671](https://doi.org/10.48550/arXiv.2512.17671)
4. Bakhvalov, Y. N. (2025). Initialization of a Polyharmonic Cascade, Launch and Testing. [arXiv:2512.19524](https://doi.org/10.48550/arXiv.2512.19524)
### Русский (preprints.ru)
1. Бахвалов Ю. Н. (2024). Решение регрессионной задачи машинного обучения на основе теории случайных функций. [PREPRINTS.RU](https://doi.org/10.24108/preprints-3113020)
2. Бахвалов Ю. Н. (2024). Пакеты полигармонических сплайнов, их объединение, эффективные процедуры вычисления и дифференцирования. [PREPRINTS.RU](https://doi.org/10.24108/preprints-3113111)
3. Бахвалов Ю. Н. (2025). Полигармонический каскад. [PREPRINTS.RU](https://doi.org/10.24108/preprints-3113501)
4. Бахвалов Ю. Н. (2025). Инициализация полигармонического каскада, запуск и проверка. [PREPRINTS.RU](https://doi.org/10.24108/preprints-3113659)
---
## Key Results / Ключевые результаты
| | |
|---|---|
| **MNIST** | 98.3% accuracy (no convolutions, no augmentation) |
| **HIGGS** | AUC ≈ 0.885 (11M examples) |
| **Epsilon** | AUC ≈ 0.963 (2000 features) |
| **Depth** | Up to 500 layers without skip connections |
---
## About / О проекте
**English:**
This repository contains code demonstrating the polyharmonic cascade architecture. The cascade itself is implemented in `collective.py`. The code reproduces experiments from Paper 4.
**Русский:**
В этом репозитории представлен код, демонстрирующий работу полигармонического каскада. Сам каскад реализован в файле `collective.py`. Код воспроизводит эксперименты из статьи 4.
---
## Installation / Установка
```bash
git clone https://github.com/xolod7/polyharmonic-cascade.git
cd polyharmonic-cascade
pip install -r requirements.txt
## Установка
1. Клонируйте репозиторий:
`git clone https://github.com/xolod7/polyharmonic-cascade.git`
2. Установите зависимости:
`pip install -r requirements.txt`
если работа только на CPU:
`pip install -r requirements_cpu.txt`
```
For CPU-only / Только для CPU:
```bash
pip install -r requirements_cpu.txt
```
---
## Configuration / Настройки
**English:**
By default, the code uses GPU (requires 8 GB VRAM for all tests). To switch to CPU, change `mode = "cpu"` in the settings section of executable files.
**Русский:**
По умолчанию код использует GPU (для всех тестов требуется 8 ГБ видеопамяти). Для переключения на CPU измените `mode = "cpu"` в разделе настроек исполняемых файлов.
---
## Datasets / Датасеты
### MNIST
Run / Запуск:
```bash
python mnist_test_01.py
python mnist_test_02.py
python mnist_test_03.py
python mnist_test_04.py
```
Dataset downloads automatically on first run. / Датасет загружается автоматически при первом запуске.
### HIGGS
1. Download dataset / Скачайте датасет:
- Source / Источник: https://archive.ics.uci.edu/ml/datasets/HIGGS
- Direct link / Прямая ссылка: https://archive.ics.uci.edu/static/public/280/higgs.zip
- Place `HIGGS.csv.gz` in repository root / Поместите `HIGGS.csv.gz` в корень репозитория
2. Prepare data / Подготовьте данные:
```bash
python higgs_load.py
```
3. Run tests / Запуск тестов:
```bash
python higgs_test_01.py
python higgs_test_02.py
```
With checkpoints (for long training) / С сохранениями (для длительного обучения):
```bash
python higgs_test_01cp.py
python higgs_test_02cp.py
```
### Epsilon
1. Download and prepare / Загрузка и подготовка:
```bash
python epsilon_load.py
```
2. Run tests / Запуск тестов:
```bash
python epsilon_test_01.py
python epsilon_test_02.py
```
---
## Dependencies / Зависимости
```
numpy==1.26.4
pandas==2.2.1
matplotlib==3.8.3
scikit-learn==1.4.1.post1
torch==2.3.0+cu121
torchvision==0.18.0+cu121
```
---
## Contact / Контакт
Yuriy N. Bakhvalov
Independent Researcher, Cherepovets, Russia
Email: bahvalovj@gmail.com
ORCID: 0009-0002-5039-2367
---
license: mit
--- |