Hugging Face's logo

PowerMachine
/
khtst-rust

Model card Files
xet
 Community
khtst-rust
File size: 7,062 Bytes
06e4b6f
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
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
//! `python::calibracao` — extraído do monólito na v0.10.0
//! (divisão SRP, crítica Qwen3.8 lote 3 nº 1; r-35 §2).

use super::*;


/// **V-1..V-3:** calibra o verificador NCM em logits retidos e devolve
/// temperatura, ECE antes/depois, NLL antes/depois e o τ_c por quantil DKW.
#[pyfunction]
pub(crate) fn calibrar_verificador(
    logits: Vec<Vec<f32>>,
    alvos: Vec<usize>,
    epsilon: f64,
) -> PyResult<PyObject> {
    Python::with_gil(|py| {
        let dev = candle_core::Device::Cpu;
        let (n, k) = (logits.len(), logits.first().map(|l| l.len()).unwrap_or(1));
        let flat: Vec<f32> = logits.into_iter().flatten().collect();
        let lt = candle_core::Tensor::from_vec(flat, (n, k), &dev)
            .map_err(|e| pyo3::exceptions::PyRuntimeError::new_err(format!("{e}")))?;
        let at = candle_core::Tensor::from_vec(
            alvos.iter().map(|&a| a as u32).collect::<Vec<u32>>(), (n,), &dev)
            .map_err(|e| pyo3::exceptions::PyRuntimeError::new_err(format!("{e}")))?;
        let mut v = verificador::VerificadorNcm::novo();
        let (e_antes, e_depois) = v.ajustar(&lt, &at)
            .map_err(|e| pyo3::exceptions::PyRuntimeError::new_err(format!("{e}")))?;
        let confs: Vec<f64> = verificador::confianca_por_linha(&lt)
            .map_err(|e| pyo3::exceptions::PyRuntimeError::new_err(format!("{e}")))?
            .flatten_all().map_err(|e| pyo3::exceptions::PyRuntimeError::new_err(format!("{e}")))?
            .to_vec1::<f32>().map_err(|e| pyo3::exceptions::PyRuntimeError::new_err(format!("{e}")))?
            .iter().map(|x| *x as f64).collect();
        let tau_c = verificador::limiar_por_erro(&confs, epsilon);
        let d_ = serde_json::json!({
            "temperatura": v.temperatura, "ece_antes": e_antes, "ece_depois": e_depois,
            "nll_antes": v.n_ll_antes, "nll_depois": v.n_ll_depois,
            "tau_c": tau_c, "epsilon": epsilon, "n": n,
        });
        Ok(pythonize::pythonize(py, &d_)?.into())
    })
}


/// **Demo do verificador NCM substituindo o oráculo** (r-21 §3.1): treina
/// um classificador pequeno, calibra T* em dados retidos, mede ECE, τ_c
/// (DKW) e a soundness empírica `P(erro|aceito) ≤ 1−τ_c+ECE`; compara com
/// o ORÁCULO (que usa o alvo — impossível em produção) no mesmo problema.
#[pyfunction]
pub(crate) fn demo_verificador_ncm(n: usize, k: usize, semente: u64) -> PyResult<PyObject> {
    Python::with_gil(|py| {
        let dev = candle_core::Device::Cpu;
        crate::rng::definir_semente(semente);
        let mut rng = crate::rng::RngDeterministico::novo(semente);
        // dados sintéticos com DRIFT (treino ≠ consulta — força OOD leve)
        let gerar = |rng: &mut crate::rng::RngDeterministico, m: usize, desloc: f64|
            -> (candle_core::Tensor, Vec<usize>) {
            let mut l = Vec::with_capacity(m * k);
            let mut a = Vec::with_capacity(m);
            for _ in 0..m {
                let alvo = rng.inteiro(k);
                a.push(alvo);
                for j in 0..k {
                    let base = if j == alvo { 2.5 } else { 0.0 };
                    l.push((base + rng.normal(0.0, 1.2) as f32 + desloc as f32) as f32);
                }
            }
            let lt = candle_core::Tensor::from_vec(l, (m, k), &dev).unwrap();
            (lt, a)
        };
        let (lt_tre, alvos_tre) = gerar(&mut rng, n, 0.0);
        let (lt_val, alvos_val) = gerar(&mut rng, n / 2, 0.3);
        // mini-classificador: matriz W (k, k) treinada por softmax-CE
        let w = candle_core::Tensor::randn(0f32, 0.1, (k, k), &dev)
            .map_err(|e| pyo3::exceptions::PyRuntimeError::new_err(format!("{e}")))?;
        let w_var = candle_core::Var::from_tensor(&w)
            .map_err(|e| pyo3::exceptions::PyRuntimeError::new_err(format!("{e}")))?;
        let at_t = candle_core::Tensor::from_vec(
            alvos_tre.iter().map(|&a| a as u32).collect::<Vec<u32>>(), (n,), &dev)
            .map_err(|e| pyo3::exceptions::PyRuntimeError::new_err(format!("{e}")))?;
        let mut otim = treino::AdamWManual::novo(vec![w_var.clone()], 0.05, 0.0);
        for _ in 0..120 {
            let logits = lt_tre.matmul(&w_var.as_tensor().transpose(0, 1).unwrap()).unwrap();
            let ce = candle_nn::loss::cross_entropy(&logits, &at_t).unwrap();
            let g = treino::grads_achatados(&ce, &[w_var.clone()]).unwrap();
            otim.passo(g);
        }
        // logits de validação com o modelo treinado
        let logits_val = lt_val.matmul(&w_var.as_tensor().transpose(0, 1).unwrap()).unwrap();
        let at_v = candle_core::Tensor::from_vec(
            alvos_val.iter().map(|&a| a as u32).collect::<Vec<u32>>(), (n / 2,), &dev)
            .map_err(|e| pyo3::exceptions::PyRuntimeError::new_err(format!("{e}")))?;
        // calibração (V-1) + soundness (V-2) + quantil (V-3)
        let mut v = verificador::VerificadorNcm::novo();
        let (ece_antes, ece_depois) = v.ajustar(&logits_val, &at_v)
            .map_err(|e| pyo3::exceptions::PyRuntimeError::new_err(format!("{e}")))?;
        let confs: Vec<f64> = v.confianca(&logits_val).unwrap()
            .flatten_all().unwrap().to_vec1::<f32>().unwrap().iter().map(|x| *x as f64).collect();
        let corretos: Vec<bool> = logits_val.argmax(candle_core::D::Minus1).unwrap()
            .eq(&at_v).unwrap().to_dtype(candle_core::DType::U32).unwrap()
            .flatten_all().unwrap().to_vec1::<u32>().unwrap()
            .iter().map(|x| *x == 1).collect();
        let tau_c = verificador::limiar_por_erro(&confs, 0.25);
        let (mut erro_aceito, mut n_aceito) = (0usize, 0usize);
        for (c, ok) in confs.iter().zip(corretos.iter()) {
            if *c >= tau_c {
                n_aceito += 1;
                if !ok {
                    erro_aceito += 1;
                }
            }
        }
        let p_erro = erro_aceito as f64 / n_aceito.max(1) as f64;
        let cota = (1.0 - tau_c) + ece_depois + 0.06;
        // ORÁCULO no mesmo problema (usa o alvo — só para contraste)
        let acerto_oraculo = corretos.iter().filter(|c| **c).count() as f64 / corretos.len() as f64;
        let d_ = serde_json::json!({
            "versao": verificador::versao(), "n": n, "k": k,
            "temperatura_calibrada": v.temperatura,
            "ece_antes": ece_antes, "ece_depois": ece_depois,
            "nll_antes": v.n_ll_antes, "nll_depois": v.n_ll_depois,
            "tau_c_dkw": tau_c,
            "p_erro_aceito": p_erro, "cota_soundness": cota,
            "soundness_ok": p_erro <= cota,
            "calibracao_melhorou": ece_depois < ece_antes,
            "acerto_oraculo_referencia": acerto_oraculo,
            "verificador_sem_oraculo": true,
            "gates": {
                "gate_v1_calibracao": ece_depois < ece_antes,
                "gate_v2_soundness": p_erro <= cota,
                "gate_v3_tau_positivo": tau_c > 0.0 && tau_c < 1.0,
            },
        });
        Ok(pythonize::pythonize(py, &d_)?.into())
    })
}