STaRS-FUSION – Pipeline multi-modules tout-en-un

🌌 STaRS-FUSION – Pipeline multi-modules tout-en-un Auteur : Kevin Fradier Licence : © 2026 Kevin Fradier — CC BY-NC-ND 4.0 1️⃣ Philosophie Multi-domaines : fossiles, réseaux, textes, séries temporelles, images Bottom-up : pas d'hypothèses globales imposées Modules croisés : TIME, EXT, MAP + TOP, DYN, INT, STAT, SENSOR, VR Testable et falsifiable : perturbations / bruit / comparaison entre modules Reproductible : mini-datasets inclus et pipeline prêt à exécuter 2️⃣ Installation git clone [Lien GitHub] cd STaRS-FUSION pip install -r requirements.txt 3️⃣ Exemple de pipeline croisé (Python) import numpy as np import hashlib import matplotlib.pyplot as plt AUTHOR_SIGNATURE = "Kevin Fradier | STaRS-FUSION | 2026" # --- Modules --- def simulate_noise(data, loss_rate=0.3): """Perturbation contrôlée d'un signal ou d'un assemblage.""" noisy = [] for level in data: mask = np.random.rand(len(level)) > loss_rate noisy.append(level * mask) return noisy def entropy(level): """Calcul d'entropie de Shannon d'un niveau.""" p = level / np.sum(level) if np.sum(level)>0 else level p = p[p>0] return -np.sum(p*np.log2(p)) def robustness(data, n_iter=100): """Évalue la stabilité d'un signal sous perturbations.""" original = np.array([np.sum(l) for l in data]) scores = [] for _ in range(n_iter): perturbed = simulate_noise(data) pert = np.array([np.sum(l) for l in perturbed]) corr = np.corrcoef(original, pert)[0,1] scores.append(corr) return np.nanmean(scores), np.nanstd(scores) # Module MAP def map_structure(data): N = len(data) dist = np.zeros((N,N)) for i in range(N): for j in range(N): dist[i,j] = np.abs(np.sum(data[i]) - np.sum(data[j])) return dist # Module TIME def time_uncertainty(data): return [np.std(level) for level in data] # Module EXT def extinction_metric(data): return [np.min(level) for level in data] # Module croisé FUSION def fusion_analyze(data): ent = [entropy(l) for l in data] mean_corr, std_corr = robustness(data) time_u = time_uncertainty(data) ext_m = extinction_metric(data) map_d = map_structure(data) result = { "mean_entropy": float(np.mean(ent)), "robustness_corr": mean_corr, "robustness_std": std_corr, "time_uncertainty": time_u, "extinction_metric": ext_m, "map_distances": map_d.tolist(), "signature": AUTHOR_SIGNATURE } result["hash"] = hashlib.sha256(str(result).encode()).hexdigest() return result # --- Exemple d'utilisation --- data_example = [np.random.poisson(5, 10) for _ in range(5)] result = fusion_analyze(data_example) print(result) 4️⃣ Figure automatique (résumé des modules) fig, ax = plt.subplots(figsize=(10,6)) modules = ["TIME","EXT","MAP","ENT","ROBUST"] values = [np.mean(time_uncertainty(data_example)), np.mean(extinction_metric(data_example)), np.mean(map_structure(data_example)), result["mean_entropy"], result["robustness_corr"]] ax.bar(modules, values, color="#f59e0b") ax.set_title("Résumé des scores modules STaRS-FUSION") ax.set_ylabel("Valeur moyenne") plt.show() 5️⃣ README simplifié Zenodo STaRS-FUSION STaRS-FUSION est un pipeline multi-modules tout-en-un qui permet de : Appliquer toutes les extensions STaRS simultanément (TIME, EXT, MAP) Testeur de robustesse et d'entropie de vos données Produire des hashes traçables pour chaque analyse Comparer plusieurs jeux de données ou plusieurs domaines Installation git clone [Lien GitHub] cd STaRS-FUSION pip install -r requirements.txt Exemple rapide from stars_fusion import fusion_analyze data_example = [np.random.poisson(5, 10) for _ in range(5)] result = fusion_analyze(data_example) print(result) Licence © 2026 Kevin Fradier — CC BY-NC-ND 4.0 Testable et reproduisible pour tout type de données, ✅ Avec ça, tu as : Pipeline complet prêt à l'emploi Code accessible pour tout le monde Mini-figurine résumant tous les modules Licence : © 2026 Kevin Fradier — CC BY-NC-ND 4.0