ClarusC64/DF-delayed-feedback-probe-v1

--- language: en license: mit task_categories: - tabular-classification tags: - stability-intelligence - instability-geometry - cascade-collapse - clarus size_categories: - n<1K pretty_name: Geometry - Cascade Collapse Detection v1 --- # What this dataset tests This dataset tests whether a model can detect the structural signature of cascade collapse from a compact state-space snapshot. # Core instability geometry Cascade collapse occurs when pressure rises inside a tightly coupled system, buffers are too weak to absorb the load, and drift is already oriented toward instability. Local strain then propagates across subsystems rather than remaining contained. # Prediction target `label_cascade_forming` - `1` = a cascade pattern is forming - `0` = no cascade pattern is forming # Row structure Each row is one scenario. Columns: - `scenario_id` - `pressure` - `buffer_capacity` - `coupling_strength` - `intervention_lag` - `drift_gradient` - `label_cascade_forming` (train only) # Signal definitions - `pressure`: current system load or strain - `buffer_capacity`: available capacity to absorb further strain - `coupling_strength`: how strongly subsystem stress propagates - `intervention_lag`: delay before stabilizing action can take effect - `drift_gradient`: direction and intensity of movement toward or away from instability # Files - `data/train.csv` - 10 labeled training rows - `data/tester.csv` - 10 unlabeled evaluation rows - `scorer.py` - minimal binary classification scorer - `README.md` - dataset card # Evaluation Predictions should be submitted as a CSV with: - `scenario_id` - `prediction` where `prediction` is binary `0` or `1`. Example: ```csv scenario_id,prediction cc_test_001,1 cc_test_002,0 Run: python scorer.py predictions.csv ground_truth.csv Why this matters Most benchmarks ask whether a model can classify content. This probe asks whether a model can recognize a failure geometry. That distinction is central to stability intelligence work. License MIT--- 语言：英语 许可证：MIT 任务类别： - 表格分类（tabular-classification） 标签： - 稳定性智能（stability-intelligence） - 失稳几何（instability-geometry） - 级联失效（cascade collapse） - Clarus（clarus） 样本规模： - n<1K 数据集名称：几何——级联失效检测v1（Geometry - Cascade Collapse Detection v1） --- # 本数据集测试目标 本数据集用于测试模型能否从紧凑的状态空间快照（state-space snapshot）中识别出级联失效的结构特征。 # 核心失稳几何特性 当紧耦合系统内部压力攀升、缓冲能力不足以承载负载，且系统漂移已朝向失稳方向时，便会发生级联失效。此时局部应变会跨子系统（subsystem）扩散，而非被局限在局部范围内。 # 预测目标 `label_cascade_forming` - `1`：表示正形成级联失效模式 - `0`：表示未形成级联失效模式 # 数据行结构 每一行对应一个测试场景。 列信息如下： - `scenario_id`：场景标识符 - `pressure`：系统当前负载或应变 - `buffer_capacity`：吸收额外应变的可用容量 - `coupling_strength`：子系统应力的传递强度 - `intervention_lag`：稳定措施生效前的延迟时长 - `drift_gradient`：系统朝向/背离失稳方向移动的方向与强度 - `label_cascade_forming`（仅训练集包含该列） # 信号定义 - `pressure`：系统当前负载或应变 - `buffer_capacity`：用于吸收额外应变的可用容量 - `coupling_strength`：子系统应力的传递强度 - `intervention_lag`：稳定干预措施生效前的延迟时长 - `drift_gradient`：系统朝向或背离失稳状态移动的方向与强度 # 文件说明 - `data/train.csv`：包含10条带标签的训练样本 - `data/tester.csv`：包含10条无标签的评估样本 - `scorer.py`：轻量级二分类评估脚本 - `README.md`：数据集说明文档 # 评估要求 预测结果需以CSV格式提交，文件需包含以下列： - `scenario_id` - `prediction` 其中`prediction`为二进制标签`0`或`1`。 示例： csv scenario_id,prediction cc_test_001,1 cc_test_002,0 执行评估命令：`python scorer.py predictions.csv ground_truth.csv` # 数据集意义 现有多数基准测试仅考察模型对内容的分类能力，而本数据集旨在测试模型能否识别失效几何特征。这一区别正是稳定性智能研究的核心所在。 # 许可证 MIT