Synthèse automatique
Valide les résultats d'analyse topologique de données en vérifiant les diagrammes de persistance, la mise à l'échelle de la persistance totale, la cohérence des modèles nuls et la reproductibilité inter-époques par rapport à des benchmarks connus.
Points forts
- Liste de contrôle complète couvrant la cohérence des diagrammes, la mise à l'échelle, les modèles nuls et les métriques de Wasserstein.
- Fournit des benchmarks connus issus d'études publiées pour la reproductibilité.
- Détecte les incohérences subtiles dans les pipelines d'ATD.
Limites
- Nécessite des résultats d'ATD précalculés dans un format JSON spécifique.
- Valide uniquement par rapport aux benchmarks fournis ; ce n'est pas un cadre d'ATD complet.
- Suppose des paramètres fixes (par exemple, le nombre de points de repère L) de l'étude de référence.
Après avoir exécuté un pipeline d'ATD pour vérifier automatiquement que les sorties respectent les propriétés mathématiques et statistiques attendues.
Ne pas utiliser pour une ATD exploratoire sans benchmarks de référence, ou lorsque les résultats proviennent de méthodes non standard non couvertes par les règles de validation.
Analyse de sécurité
SûrThe skill is a static validation checklist with no executable commands, destructive actions, or data exfiltration instructions. It poses no security risk.
Aucun point d'attention détecté
Comment cette analyse est faiteExemples
/validate-topology trajectory_tda results/trajectory_tda_integration/04_nulls_wasserstein.jsonRun /validate-topology on my persistence results to verify that birth values are non-negative and death values exceed birth.Use /validate-topology to compare my BHPS order-shuffle H0 p-value against the known benchmark from the P01 study./validate-topology — Validate Topological Results
Check mathematical correctness of TDA results against known benchmarks and internal consistency checks.
Usage
/validate-topology [domain] [result-file]
Example: /validate-topology trajectory_tda results/trajectory_tda_integration/04_nulls_wasserstein.json
Validation checklist
Persistence diagram sanity
- [ ] All birth values ≥ 0
- [ ] All death values > birth (finite features)
- [ ] H₀ has exactly one infinite feature (the final connected component)
- [ ] Feature counts are plausible for landmark count L: H₀ has L-1 finite features; H₁ count varies
Total persistence scaling
- [ ] Total persistence scales approximately linearly with L (±15% across a 2× range)
- [ ] Maximum persistence is stable across L values (should vary < 5%)
Null model consistency
- [ ] Label/cohort shuffle p-values are non-significant (negative control)
- [ ] Markov-2 null generates more total persistence than Markov-1 (higher-order Markov → more structured surrogates)
- [ ] Null distribution standard deviations are plausible (not near-zero, not huge)
Wasserstein-specific
- [ ] W(obs↔null) and W(null↔null) are of comparable magnitude (within ~3×)
- [ ] p-value = proportion of null-null distances ≥ mean(obs-null distances)
- [ ] 500 null-null pairs is sufficient for stable p-value at 3 decimal places
Cross-era replication
- [ ] BHPS-era order-shuffle H₀ p-value ≈ USoc order-shuffle direction (both significant or both not)
- [ ] BHPS-era Markov-1 direction ≈ USoc (both non-significant under total persistence)
Known benchmarks (trajectory_tda / P01)
| Test | Expected | Source | |---|---|---| | USoc order-shuffle H₀ (total persistence, L=5000) | p < 0.005 | P01 v5 Table 2 | | USoc Markov-1 H₀ (total persistence) | p = 1.000 | P01 v5 Table 2 | | USoc Markov-1 H₀ (Wasserstein, L=2000) | p = 0.002 | P01 v5 Table 2b | | BHPS order-shuffle H₀ | p = 0.000 | P01 v5 §4.7 | | BHPS Markov-1 H₀ | p = 1.000 | P01 v5 §4.7 | | GMM bootstrap ARI | 0.646 ± 0.086 | P01 v5 §3.5 |
Du fichier au premier essai
Le téléchargement contient exactement le contenu affiché sur cette fiche. Cette copie peut différer de la dernière version du dépôt source.
Consulter la source et ses fichiers annexesCe téléchargement contient uniquement SKILL.md. Les scripts, références, modèles et dépendances éventuels ne sont pas inclus. Récupérez les fichiers nécessaires depuis la source en conservant leur arborescence avant de poursuivre.
1. Télécharger le fichier
Télécharger SKILL.mdDepuis la racine d’un projet de test, enregistrez le fichier sous .skill-downloads/validate-topological-results-ms71b45w/SKILL.md, ou utilisez la commande suivante. Ce dossier sert à examiner la skill avant son installation.
Commande pour macOS/Linux ou WSL : un shell POSIX et curl sont nécessaires. Sous Windows sans WSL, utilisez le bouton de téléchargement et créez le dossier manuellement.
mkdir -p '.skill-downloads/validate-topological-results-ms71b45w' && curl --fail --show-error --location 'https://skills-guides.com/api/skills/validate-topological-results-ms71b45w/download' --output '.skill-downloads/validate-topological-results-ms71b45w/SKILL.md.part' && mv '.skill-downloads/validate-topological-results-ms71b45w/SKILL.md.part' '.skill-downloads/validate-topological-results-ms71b45w/SKILL.md'2. Vérifier les prérequis
Lisez SKILL.md avant de l’utiliser. Si le fichier cite des scripts ou services externes, examinez-les et préparez les accès nécessaires dans votre environnement de test.
Aucune section de prérequis reconnue dans ce fichier. Cela ne signifie pas qu’il est autonome : les bibliothèques, outils et accès peuvent être cités ailleurs dans le contenu ou dans le dépôt source.
Les plateformes de la fiche sont des indications du catalogue. Les chemins ci-dessous suivent la documentation des outils ; ils ne prouvent pas que cette skill y a été exécutée. Aucune version minimale de ces outils n’est attestée pour cette fiche.
3. Charger la skill
Le fichier ne fournit pas un en-tête name/description exploitable pour cette procédure native. Le téléchargement reste disponible pour lecture ; utilisez le mode manuel ci-dessous.
Mode manuel ou autre outil : joignez SKILL.md à une conversation, ou ouvrez-le dans un agent capable de lire les fichiers. Ajoutez les ressources annexes nécessaires. Il n’existe pas de dossier universel reconnu par tous les outils.
4. Faire un premier essai
Utilisez une entrée courte et fictive : un endpoint d’API, un petit document ou un brief d’interface. Dans une nouvelle conversation, joignez le fichier ou donnez son chemin à l’agent, puis adaptez cette demande :
Lis .skill-downloads/validate-topological-results-ms71b45w/SKILL.md et applique ses instructions à cet exemple : [décrire une entrée de test]. Indique les fichiers, dépendances ou accès qui manquent. Produis le résultat demandé par la skill sans inventer de données ni exécuter de script non examiné.Résultat attendu : une sortie correspondant aux instructions de la skill, ou une liste précise des prérequis manquants. Une simple confirmation de lecture ne valide pas le premier usage. Si une ressource externe est indisponible, ce parcours reste à tester.
Créer des cartes interactives avec kepler.gl
Data & IA
Création de cartes interactives et export HTML autonome avec le package Python keplergl, à partir de données géospatiales (DataFrame, GeoJSON, CSV).
Optimisation de paramètres par agent
Data & IA
Guide d'optimisation de systèmes configurables avec objectif mesurable, via des essais bornés et une recommandation fondée sur des preuves.
Relance des visiteurs ICP
Data & IA
Identifiez les utilisateurs inscrits correspondant au profil client idéal mais qui n'ont pas activé, et rédigez des messages de relance personnalisés pour les réengager.