Update README.md

README.md

@@ -1,3 +1,161 @@
----
-license: mit
----
+---
+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
+
+[![DOI](https://zenodo.org/badge/1036573715.svg)](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
+---