Détecteur universel de motifs émergents

🧩Détecteur universel de motifs émergents « Trouvez ce que vos données cachent vraiment » Applicables : images, textes, réseaux, séries temporelles, signaux… Auteur : Kevin Fradier — Chercheur indépendant Licence : © 2026 Kevin Fradier — CC BY-NC-ND 4.0 1️⃣ Concept STaRS‑Viral est un pipeline universel bottom-up qui détecte si des motifs structurels émergents de vos données, sans hypothèses globales ni interprétations forcées. Principe : Appliquer le test local (STaRS) → perturbations, bruit, pertes Vérifier la cohérence multi-domaines (ESE) → corrélations, entropie, stabilité Comparer aux données simulées/bruit de référence Produire des scores et des hash traçables pour publication/reproductibilité Résultat : vous saurez si vos données contiennent quelque chose de réel , sans savoir exactement le « quoi » ni imposer un modèle. 2️⃣ Code Python complet import numpy as np import hashlib import matplotlib.pyplot as plt # --- Auteur / Signature --- AUTHOR_SIGNATURE = "Kevin Fradier | STaRS-Viral | 2026" # --- Fonctions STaRS-Viral --- 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) def analyze(data): """Analyse complète STaRS-Viral pour un ensemble de données.""" entropies = [entropy(l) for l in data] mean_corr, std_corr = robustness(data) result = { "mean_entropy": float(np.mean(entropies)), "robustness_corr": mean_corr, "robustness_std": std_corr, "signature": AUTHOR_SIGNATURE } # Hash traçable h = hashlib.sha256(str(result).encode()).hexdigest() result["hash"] = h return result # --- Exemple d'utilisation --- data_example = [np.random.poisson(5, 10) for _ in range(5)] result = analyze(data_example) print(result) 3️⃣ Figure automatique plt.figure(figsize=(8,5)) plt.title("Exemple de structure émergente") plt.bar(range(len(data_example)), [np.sum(l) for l in data_example], color="#fbbf24") plt.xlabel("Échantillons") plt.ylabel("Somme / Signal") plt.show() Cette figure montre immédiatement si des motifs émergents ou si le signal ressemble à du bruit. 4️⃣ README résumé (pour Zenodo / X) # STaRS-Viral Pipeline universel pour détecter motifs émergents dans n'importe quel type de données. ✅ Fossiles, réseaux, texte, images, séries ✅ Testable et falsifiable ❌ Pas d’histoire causale ⚡ Produit score, hash et figure automatiquement Code et mini-tests inclus. Clonez et exécutez pour vérifier la robustesse de vos données. Licence : CC BY-NC-ND 4.0 Version complète dans le corpus