META_PIPELINE_2026

. META_PIPELINE_2026 – Publication pilier finale Titre : Invariants émergents bottom-up : méta-pipeline testable et extensibleAuteur : Kevin FradierDate : Janvier 2026Licence : © 2026 Kevin Fradier — CC BY-NC-ND 4.0 Structure du dépôt META_PIPELINE_2026/ │ ├── code/ │ ├── meta_pipeline.py # Méta-pipeline Python complet │ └── mini_dataset.npy # Mini-dataset simulé 10x10 (généré si absent) │ ├── figures/ │ ├── example_network.png # Réseau généré automatiquement │ └── example_histogram.png # Histogramme des traces locales │ ├── README.md # Documentation complète └── LICENSE.txt # Licence CC BY-NC-ND 4.0 README.md # META-PIPELINE 2026 – Invariants émergents bottom-up ## Publication pilier Ce dépôt accompagne la publication **"Invariants émergents bottom-up : méta-pipeline testable"**. Il constitue une **porte d’entrée stable** vers un corpus plus large de travaux bottom-up, permettant d’extraire, quantifier et visualiser des signatures émergentes à partir de corrélations locales uniquement. ## Contenu - `code/meta_pipeline.py` : pipeline principal (extraction de cycles, signature topologique, rétro-action, bootstrap, visualisation) - `code/mini_dataset.npy` : mini-dataset simulé 10x10 (généré automatiquement si absent) - `figures/example_network.png` : réseau généré à partir du mini-dataset - `figures/example_histogram.png` : histogramme des traces locales - `LICENSE.txt` : licence CC BY-NC-ND 4.0 ## Installation ```bash pip install numpy networkx matplotlib scipy Exemple d’utilisation from code.meta_pipeline import MetaBottomUp import numpy as np # Charger mini-dataset ou générer automatiquement try: A = np.load("code/mini_dataset.npy") except FileNotFoundError: np.random.seed(42) A = np.random.randint(0,2,(10,10)) np.save("code/mini_dataset.npy", A) states = np.random.choice([-1,1], size=(A.shape[0],5)) # Initialiser pipeline pipeline = MetaBottomUp(A, local_states=states, min_cycle=3, max_cycle=5) # Extraire cycles et calculer signature pipeline.extract_cycles() signature = pipeline.compute_signature() signature_stable = pipeline.stabilize_signature() ci_low, ci_high = pipeline.bootstrap_signature() print("Signature brute :", signature) print("Signature stabilisée :", signature_stable) print("Intervalle bootstrap :", ci_low, ci_high) # Visualisation pipeline.plot_network(node_colors=states[:,0], title="Mini Réseau") pipeline.plot_signature_distribution() Notes Les utilisateurs peuvent tester le pipeline. Les figures sont générées automatiquement pour illustrer la signature émergente sur le mini-dataset. Les fichiers HCP originaux ne sont pas inclus pour des raisons légales.Pour reproduire les résultats complets, télécharger les matrices depuis le Human Connectome Project : https://www.humanconnectome.org/ Pipeline extensible : nouvelles métriques et types de réseaux possibles. Licence © 2026 Kevin Fradier — Creative Commons Attribution - Pas d’Utilisation Commerciale - Pas de Modification 4.0 International (CC BY-NC-ND 4.0) --- ## **LICENSE.txt** © 2026 Kevin Fradier — Creative Commons Attribution - Pas d’Utilisation Commerciale - Pas de Modification 4.0 International (CC BY-NC-ND 4.0) Conditions : Attribution obligatoire Pas d’usage commercial Pas de modification / dérivation --- ## **meta_pipeline.py** (prêt à exécuter) ```python # =================================================== # 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 import os class MetaBottomUp: def __init__(self, adjacency_matrix, local_states=None, min_cycle=3, max_cycle=10): self.A = adjacency_matrix self.states = local_states self.min_cycle = min_cycle self.max_cycle = max_cycle self.cycles = [] self.signature = None def extract_cycles(self, directed=False, sample_size=None): G = nx.from_numpy_array(self.A) cycles_found = [] if directed: Gd = G.to_directed() cycles_found = [c for c in nx.simple_cycles(Gd) if self.min_cycle