Remove files

ECML_PKDD_PLAN.md

@@ -1,117 +0,0 @@
-# tsseg-app — ECML PKDD 2026 Demo Track Submission Plan
-
-**Deadline:** 12 mars 2026 (CMT)  
-**Conference:** ECML PKDD 2026, Naples, Italie (7–11 sept. 2026)  
-**Format:** 4 pages Springer LNCS, single-blind  
-**Vidéo:** Optionnelle (≤ 5 min, sous-titres EN), reportée au camera-ready (18 juin)
-
----
-
-## 1. Positionnement
-
-> **tsseg** est la première bibliothèque open-source unifiant ~30 algorithmes de segmentation de séries temporelles sous une API cohérente avec des métriques et datasets intégrés. Aucun concurrent n'approche cette couverture.
-
-### Tableau comparatif
-
-| Critère                    | tsseg      | ruptures | aeon (seg.) | tslearn |
-|----------------------------|------------|----------|-------------|---------|
-| Algorithmes de segmentation| ~30        | 6        | 9 (exp.)    | 0       |
-| Deep Learning              | ✅ (5)    | ❌       | ❌          | ❌      |
-| Méthodes bayésiennes       | ✅ (3)    | ❌       | ✅ (1)      | ❌      |
-| Profil matriciel           | ✅ (3)    | ❌       | ✅ (2)      | ❌      |
-| Métriques dédiées          | 10         | 3        | sklearn     | —       |
-| CPD + State Detection      | ✅         | CPD seul | —           | —       |
-| Démo interactive           | ✅ Gradio  | ❌       | ❌          | ❌      |
-| Licence                    | AGPLv3     | BSD-2    | BSD-3       | BSD-2   |
-
-### Arguments clés
-
-1. **Couverture inégalée** — ~30 algorithmes couvrant statistique, bayésien, profil matriciel, clustering, deep learning
-2. **API unifiée** — `fit()`/`predict()` compatible aeon `BaseSegmenter`
-3. **Distinction CPD vs State Detection** — 10 métriques dédiées
-4. **Démo interactive** — Gradio + HuggingFace Spaces, 5 onglets (Data, Segmentation, Comparison, Evaluation, About)
-5. **Benchmarking reproductible** — Datasets intégrés + métriques unifiées
-
----
-
-## 2. Structure du papier (4 pages LNCS)
-
-| Section | Pages | Contenu |
-|---------|-------|---------|
-| **1. Introduction** | ½ | Problème (fragmentation des outils), gap, contribution (lib unifiée + démo) |
-| **2. System Architecture** | 1 | Diagramme lib `tsseg` → app `tsseg-app`, taxonomie des algorithmes (table compacte), API `fit/predict`, métriques CPD vs State |
-| **3. Demonstration** | 1 | 3 scénarios : (a) générer signal → segmenter, (b) comparer 3 algos sur MoCap, (c) évaluer avec métriques. Screenshots annotés. URL HuggingFace |
-| **4. Related Systems** | ½ | Tableau comparatif ci-dessus + discussion (2 paragraphes) |
-| **5. Conclusion** | ¼ | Résumé + liens GitHub / HF Spaces |
-| **Références** | ½ | ~10–15 refs |
-
-### Diagramme d'architecture
-
-```
-User ↔ Gradio UI (5 tabs) ↔ tsseg-app (params, metrics, plotting)
-                                  ↕
-                            tsseg library
-                   ┌──────────┼──────────┐
-                Algorithms  Metrics   Datasets
-                (30+ det.)  (10)     (MoCap, synth)
-```
-
----
-
-## 3. Améliorations de l'app
-
-### Priorité haute (avant soumission)
-
-- [x] **4a. Guided tour** — Bouton "Load Example" (MoCap trial 0 + BinSeg pré-lancé)
-- [x] **4b. Timeout exécution** — Wrapper `concurrent.futures` avec timeout de 300s
-- [x] **4c. Harmonisation FR→EN** — Messages `params.py` traduits
-- [x] **Auto-display dataset** — Quand les données changent, l'onglet Segmentation affiche le signal
-- [x] **Métriques CPD/SD** — Bloquer les métriques incompatibles (CPD metrics seulement pour CPD algos, SD pour SD)
-- [x] **Bidirectional Covering** — N'afficher que le score final (pas ground_truth_covering/prediction_covering)
-- [x] **Couleurs métriques** — F1-related = bleus, Covering = verts, State metrics = palette séparée
-- [x] **AMI** — Non sélectionné par défaut
-- [x] **F1 margin** — Visible uniquement en contexte CPD
-- [x] **Params comparison** — Affichage propre (clé=valeur, pas JSON brut)
-
-### Priorité secondaire (camera-ready)
-
-- [ ] Onglet "Benchmark Results" (tableau statique des résultats grid search)
-- [ ] Bouton "Export as Python snippet"
-- [ ] Fix concurrence fichier `/tmp` (tempfile.NamedTemporaryFile)
-- [ ] Tests d'intégration Gradio
-- [ ] Vidéo screencast (≤ 5 min)
-
----
-
-## 4. Contexte ECML PKDD Demo Track
-
-### Critères d'évaluation (2026)
-
-1. **Demo Experience & Interactivité** — Ce que les participants verront/feront
-2. **Innovation & État de l'art** — Nouveauté du système
-3. **Valeur utilisateur & Expérience** — Utilisateurs cibles, utilité
-4. **Architecture & Fonctionnement** — Composants, workflows, screenshots
-5. **Comparaison & Positionnement** — Relation avec systèmes similaires
-6. **Responsabilité & Fiabilité** (si applicable)
-
-### Demos acceptés similaires (ECML PKDD 2025)
-
-- **aeon** — Lib Python ML pour séries temporelles
-- **EXTREMUM** — Outil web explications contrefactuelles sur séries temporelles
-- **BellatrExplorer** — Dashboard interactif random forest
-- **DetoxAI** — Python toolkit + interface
-
-### Topics pertinents (2026)
-
-- Pattern mining, anomaly/outlier detection, sequential & temporal mining ← **directement pertinent**
-- AutoML, meta-learning
-- Data quality, curation
-
----
-
-## 5. Liens
-
-- **App live:** https://huggingface.co/spaces/fchavelli/tsseg
-- **tsseg lib:** https://github.com/fchavelli/tsseg
-- **Documentation:** https://fchavelli.github.io/tsseg/
-- **Soumission:** https://cmt3.research.microsoft.com/