philosophia-torch 1.0.0

Экспериментальный add-on поверх PyTorch: философски мотивированные, но технически проверяемые функции потерь, регуляризаторы и refinement-блоки.

Это не утверждение, что тензоры обладают сознанием, добродетелью или «понимают» философов. Каждый компонент — инженерная операционализация с явным состоянием, формулой, логируемыми членами и возможностью проиграть обычному baseline.

Что объединено в версии 1.0

Версия собирает лучшее из двух прототипов:

• практичный wrapper, perspectivism, однофайловый модуль и calibration-demo;
• подробные multi-view losses, fixed-point герменевтика, task-aware диалектика, эпистемические добродетели и Peircean semiosis;
• обратная совместимость с импортами обоих вариантов.

Установка

Минимальная зависимость — torch.

pip install torch

Для тестов:

pip install pytest

Запуск прямо из распакованной папки:

PYTHONPATH=. python -c "import philosophia_torch; print(philosophia_torch.__version__)"

Доступны три формы импорта:

from philosophia_torch import EpocheLoss, VirtueRegularizer
from philosophia import PhilosophiaWrapper
from philosophical_learning import TriadicSemiosis

philosophia_torch.py можно отдельно скопировать в свой проект: он зависит только от PyTorch.

Быстрый старт

import torch.nn as nn
import torch.nn.functional as F
from philosophia_torch import PhilosophiaWrapper

base = nn.Sequential(
    nn.Linear(20, 64),
    nn.ReLU(),
    nn.Linear(64, 4),
)

model = PhilosophiaWrapper(
    base,
    use_virtue=True,
    virtue_kwargs={
        "target_ece": 0.01,
        "beta_calibration": 8.0,
        "target_open": None,
    },
)

logits = model(x)
loss = F.cross_entropy(logits, y) + model.aux_loss(x, logits, targets=y)
loss.backward()

Компоненты

Компонент	Назначение
AbductiveScorer	выбор готовой гипотезы по likelihood, simplicity и conflict
AbductiveHypothesisLoss	soft best-explanation для банка нейронных гипотез
EpocheRegularizer	compact full-vs-no-evidence evidence gain
EpocheLoss	full / bracketed / prior-only / no-evidence objective
HermeneuticConsistency	лёгкий attention-based part→whole цикл
HermeneuticRefiner	обучаемое двустороннее обновление частей и целого
HermeneuticCircleLoss	consistency, fixed-point и trajectory penalties
DialecticalSynthesis	agreement-aware симметричный latent synthesis
DialecticalLoss	task, preservation, resolution и novelty
PerspectivalEnsemble	disagreement и abstention для нескольких перспектив
VirtueRegularizer	target soft-ECE, MI и Jacobian smoothness
EpistemicVirtueLoss	accuracy, Brier, humility, honesty, openness, selectivity
TriadicSemiosis	sign→object→interpretant→next sign recursion
SemiosisLoss	reconstruction, recursive consistency и anti-collapse
PhilosophiaWrapper	подключение compact regularizers к любой nn.Module

Важная разница между двумя вариантами эпохе́

EpocheRegularizer отвечает на вопрос: текущее свидетельство вообще меняет ответ относительно режима без свидетельства?

EpocheLoss может отвечать на другой вопрос: сохранится ли правильный ответ, если удалить заранее указанный shortcut, и что shortcut предсказывает сам по себе?

from philosophia_torch import EpocheLoss

objective = EpocheLoss(
    bracketed_task_weight=1.0,
    consistency_weight=0.5,
    prior_uniformity_weight=1.0,
)

out = objective(
    full_logits,
    targets,
    bracketed_logits,
    prior_only_logits=prior_only_logits,
)

out.loss.backward()
print(out.detached_terms())

Эксперименты

Калибровка

OMP_NUM_THREADS=1 MKL_NUM_THREADS=1 \
PYTHONPATH=. python examples/demo_calibration.py --seeds 10

На включённой синтетической задаче:

Метод	Accuracy	Hard ECE ↓	Soft ECE ↓	NLL ↓
baseline	0.8629 ± 0.0199	0.1018 ± 0.0189	0.1253 ± 0.0207	0.6623 ± 0.1542
+ virtue	0.8714 ± 0.0216	0.0814 ± 0.0180	0.1052 ± 0.0202	0.4600 ± 0.1145

Shortcut-shift для эпохе́

OMP_NUM_THREADS=1 MKL_NUM_THREADS=1 \
PYTHONPATH=. python examples/demo_shortcut_epoche.py --seeds 10

Метод	ID accuracy	OOD accuracy	Shortcut-only accuracy
baseline	0.9784 ± 0.0038	0.5382 ± 0.0252	0.9695 ± 0.0028
compact	0.9789 ± 0.0037	0.5404 ± 0.0233	0.9695 ± 0.0028
explicit	0.9778 ± 0.0049	0.6078 ± 0.0198	0.6654 ± 0.0908
hybrid	0.9779 ± 0.0055	0.6088 ± 0.0180	0.6488 ± 0.1015

JSON с каждым seed лежит в benchmarks/.

Тесты

PYTHONPATH=. python -m pytest -q

Ожидаемый результат:

45 passed

В тестах сохранены оба legacy-набора и добавлены проверки:

• hard/soft ECE и gradient flow;
• Hutchinson Jacobian norm;
• четыре views эпохе́;
• двусторонняя герменевтика и fixed point;
• swap-invariance диалектического synthesis;
• bounded JS и abstention;
• semiosis anti-collapse;
• совместимость старых аргументов и импортов.

Ограничения

• Это research prototype, не production framework.
• Философские названия — смысловые ярлыки для измеримых поведений.
• Synthetic benchmarks не заменяют сравнение на Waterbirds, CIFAR-C, long-document QA, real OOD и multimodal datasets.
• Явный EpocheLoss требует предметно осмысленного способа построить bracketed и prior-only views.
• HermeneuticRefiner, DialecticalSynthesis и TriadicSemiosis дают представления; decoder/head остаётся частью вашей модели.

Фигуры

• figures/loss_surfaces/ — формульные двумерные срезы функций потерь

Лицензия

MIT.