prai-reproducibility

name	prai-reproducibility
description	在为《模式识别与人工智能》(Pattern Recognition and Artificial Intelligence, PR&AI) 准备可复现性与实验可重复材料时调用。覆盖固定随机种子、锁定软硬件环境与依赖版本、固定数据集划分与预处理、预训练权重与大模型版本的记录、复现包(脚本/配置/环境文件)的组织、大数据与权重的稳定托管、以及可复现自查冒烟测试。用于让本刊模式识别/机器学习论文的实验结果能被外审与后续读者重复，降低"结果无法复现"的信任风险；本刊是否设强制复现要求以官网当期须知为准(待核实)。

《模式识别与人工智能》可复现性与实验可重复

本技能帮助为《模式识别与人工智能》(Pattern Recognition and Artificial Intelligence, PR&AI) 论文 建立可复现的实验证据。模式识别/机器学习结果易受随机性、环境与数据划分影响，可复现性直接关系外审 对结果的信任。事实核验日期 2026-07-09，见 resources/official-source-map.md；本刊是否设强制 代码/数据可用性或复现要求 待核实，以官网当期须知为准。

一、随机性控制

• 固定所有随机源的种子：框架(PyTorch/NumPy/Python)、数据打乱、初始化、增强。
• 记录是否使用确定性算子（如 cudnn.deterministic），并说明其对速度的影响。
• 报告多次运行的均值±标准差（与 prai-experiments 一致），而非单次幸运结果。

二、环境与依赖锁定

项	记录方式
Python/框架版本	requirements.txt / environment.yml 精确版本
CUDA/cuDNN/驱动	写入 README，影响可复现
硬件	GPU 型号与数量、显存、CPU
容器	可选 Dockerfile 固化环境

三、数据与划分固定

• 数据集划分（train/val/test）固定并随复现包提供划分文件或脚本。
• 预处理（归一化、裁剪、分词、采样）脚本化、可重跑、对所有方法一致。
• 数据来源与许可写清；不可公开的数据说明获取途径与替代验证方式。
• 排查数据泄漏：划分无重叠、预训练语料与评测集不重叠。

四、预训练与大模型记录

• 记录预训练权重来源、版本、checkpoint 标识。
• 若用大模型/外部 API，记录模型版本与调用日期（模型会更新，影响可复现）。
• 说明是否可能在预训练阶段见过评测数据（污染风险）。

五、复现包组织（建议结构）

artifact/
  README.md          # 环境、一键复现步骤、结果对照说明
  requirements.txt   # 精确依赖
  configs/           # 每个实验的配置(含种子)
  scripts/run_all.sh # 一键复现主结果
  data/README.md     # 数据获取与划分说明(大数据走稳定托管)
  results/           # 期望产物(对照论文表图)

六、干净环境冒烟测试

投稿前在全新环境跑一次，确认从零可复现（参见 resources/code/README.md）：

python3 -m venv .venv && . .venv/bin/activate
pip install -r requirements.txt
bash scripts/run_all.sh --seed 20260709
# 人工比对 results/ 与论文主表/主图

七、稳定托管

• 大数据集、预训练权重不塞进代码仓库；用可分配 DOI 的归档或稳定对象存储。
• 代码用版本库并打 tag / 固定 commit，论文引用该版本。
• 链接长期可访问；避免个人临时网盘等易失链接。

八、与投稿匿名的协调

• 若本刊审稿要求作者信息与正文分离（是否双盲 待核实），复现材料也要去身份：清理仓库用户名、 机构路径、邮箱、致谢显名。
• 匿名托管可用于外审阶段；录用后再换正式署名版本（见 prai-camera-ready）。

九、可复现性自检清单

1. 种子是否全固定、是否多次运行报告均值±标准差？
2. 依赖/CUDA/硬件是否记录？
3. 数据划分与预处理是否固定、可重跑、无泄漏？
4. 预训练/大模型版本是否记录？
5. 复现包是否能在干净环境一键跑通并对上主表？
6. 大数据/权重是否稳定托管、代码是否打 tag？
7. 审外材料是否已按匿名要求去身份(若需)？

十、与其他技能衔接

• 上游 prai-experiments 定证据；平级 prai-artifact-evaluation 讲可用性声明；prai-supplementary 决定哪些复现细节进附录。投稿前核对见 prai-submission。

十一、可复现性的三个层次

为《模式识别与人工智能》(Pattern Recognition and Artificial Intelligence, PR&AI) 论文规划可复现性 时，区分三个由易到难的层次，逐层夯实：

层次	含义	关键动作
结果可重复	同代码同环境能复现论文数字	固定种子、锁环境、提供一键脚本
方法可复现	他人按论文描述能重实现	方法/超参/训练细节写清
结论可推广	结论在新数据/设定下仍成立	多数据集、跨设定验证

第一层是底线，第二层靠写作透明度(见 prai-writing-style)，第三层靠实验广度(见 prai-experiments)。三层都强，外审对结果的信任度最高。

十二、随机性与硬件差异的现实处理

深度学习实验受 GPU 非确定性算子、浮点累加顺序等影响，即使固定种子也可能有微小波动：

• 坦诚报告这类波动：用多次运行的均值±标准差吸收随机性，而非追求逐位复现。
• 记录 cudnn 确定性设置及其对速度的影响，让复现者可权衡。
• 硬件差异(不同 GPU 型号)可能改变绝对数值，报告时说明硬件，比较时保持同一硬件。
• 关键结论应对随机种子稳健：若换个种子结论就翻转，说明证据不足，需回 prai-experiments 加强。

十三、复现材料与论文的对照说明

复现包的 README 要给一张"论文表图 ↔ 复现命令 ↔ 期望产物"的对照表，让外审或读者能按图索骥：例如 "论文表 2 主结果 → 运行 scripts/run_all.sh → 产物在 results/main/"。这张对照表是可复现性的"目录"， 也是自查是否每个关键结果都可复现的工具。凡不可公开的部分，在对照表中标明原因与替代验证途径，与 prai-artifact-evaluation 的可用性声明保持一致。

输出格式

[PR&AI 可复现] 达标 / 待补
[随机性] 种子全固定？多次运行均值±标准差？
[环境] 依赖/CUDA/硬件是否记录：___
[数据] 划分固定？预处理脚本化？无泄漏？
[大模型] 版本/日期是否记录：___
[复现包] 干净环境一键跑通并对上主表：是/否
[托管] 大数据稳定托管？代码打 tag？
[匿名(若需)] 材料是否去身份：___
[待补项] ___