META-PIPELINE 2026 : Invariants émergents bottom-up testables

Titre : Invariants émergents bottom-up : méta-pipeline testable et extensible Auteur : Kevin FradierDate : Janvier 2026Licence : © 2026 Kevin Fradier — CC BY-NC-ND 4.0 Résumé Nous présentons un méta-pipeline bottom-up pour détecter et quantifier des invariants émergents dans des réseaux à partir de corrélations locales uniquement.Le pipeline est : Testable immédiatement via mini-dataset simulé Extensible pour de nouvelles métriques et types de données Robuste aux perturbations locales et au bruit Accompagné d’un toolkit complet pour visualisation et analyse statistique Cette contribution sert de porte d’entrée stable pour un corpus bottom-up, permettant aux utilisateurs de reproduire, tester et étendre les outils dans un cadre de collaboration si possible sans dépendre de données sensibles ou d’une théorie fermée. 2️⃣ Code principal : meta_pipeline.py # =================================================== # META-PIPELINE 2026 # Invariants émergents - Testable & Extensible # =================================================== import numpy as np import networkx as nx import matplotlib.pyplot as plt from itertools import combinations from scipy.stats import bootstrap class MetaBottomUp: def __init__(self, adjacency_matrix, local_states=None, min_cycle=3, max_cycle=10): """ adjacency_matrix : np.array NxN local_states : np.array NxT (optionnel) min_cycle, max_cycle : longueur des cycles locaux """ self.A = adjacency_matrix self.states = local_states self.min_cycle = min_cycle self.max_cycle = max_cycle self.cycles = [] self.signature = None # -------------------------- # Extraction des cycles locaux (approximation pour graph non-orienté) # -------------------------- def extract_cycles(self, directed=False, sample_size=None): G = nx.from_numpy_array(self.A) if directed: Gd = G.to_directed() self.cycles = [c for c in nx.simple_cycles(Gd) if self.min_cycle