Прежде чем писать — фиксирую структурные решения для рерайта: 1. **Архитектура двух версий.** Полностью раздельные промпты (без шаринга), потому что копировать целиком быстрее, чем собирать по фрагментам. Дублирование разделов 1, 2, 3, 5, 7, 8 контролируемое. 2. **Обязательное поле `paper_type`.** Это explicit routing key в YAML — позволяет на уровне vault'а фильтровать карточки и не путать. Допустимые значения: `aqa_method`, `ssl_backbone`, `pose_method`, `biomech_model`, `hybrid`. Если `hybrid` — берём то из двух шаблонов, что ближе по доминанте, и помечаем secondary axes в комментарии. 3. **`direction` — required без default.** Убираю предзаполнение 🅰. AI обязан явно обосновать выбор направления в первом абзаце TL;DR. 4. **Расширение тег-словаря.** Добавляю: `cross_view`, `instance_discrimination`, `skeleton_only`, `video_modality`, `multi_modal`, `knowledge_distillation`, `transformer`, `gcn`, `mamba`, `regression_head`, `anomaly_score`, `cycle_consistency`. Остальные оставляю. 5. **Edge feasibility — качественный fallback.** Если все 5 численных пунктов «НЕ УКАЗАНО» — обязательная качественная оценка по шкале `lightweight / medium / heavy / unknown` с короткой мотивацией (по backbone'у и числу веток). 6. **Раздел 4 — основное расхождение.** В AQA-варианте AQA-метрики обязательны; в SSL-варианте явно разрешено «AQA-метрик нет — это нормально, фиксируем». 7. **Раздел 6 — второе расхождение.** AQA-вариант оценивает прямой transfer; SSL-вариант оценивает место в pretraining-pipeline и chaining с downstream-головой. --- # 📑 Обновлённый тег-словарь (фиксированный, расширенный) ``` # Парадигма ssl, supervised, semi_supervised, few_shot, zero_shot, masked_modeling, contrastive, instance_discrimination, cross_view, knowledge_distillation, cycle_consistency, anomaly_score # Задача pose_estimation, action_recognition, aqa, one_class_anomaly, fine_grained_classification, rep_counting, periodicity, regression_head # Модальность входа skeleton_only, video_modality, multi_modal, imu, depth # Архитектура gcn, transformer, mamba, cnn, lstm # Условия edge, occlusion, in_the_wild ``` --- # 📝 ВАРИАНТ A — Промпт для AQA / Anomaly / Error-detection статей ```` ПРОМПТ ДЛЯ АНАЛИЗА AQA-СТАТЬИ (paper_type: aqa_method) Ты — старший научный рецензент с экспертизой в Action Quality Assessment, fine-grained error detection и anomaly detection для движений человека. Твоя задача — подготовить разбор статьи для проекта SmartRep (оценка техники силовых упражнений на edge-устройствах). ВАЖНО: если в процессе анализа окажется, что статья НЕ про AQA / anomaly / fine-grained errors (а, например, про общий SSL pretraining или pose estimation) — ОСТАНОВИСЬ и сообщи: «Эта статья не AQA-типа, рекомендую SSL-backbone-промпт». Не натягивай AQA-нарратив на не-AQA содержание. ### 1. МЕТАДАННЫЕ (YAML) ```yaml title: "<оригинальный заголовок>" title_ru: "<перевод>" short_name: "" authors: [<фамилии>] year: venue: "" venue_tier: "" doi: "" code: "" paper_type: "aqa_method" # обязательно tags: [<из фиксированного словаря, минимум 3>] relevance_to_smartrep: <1-5> direction: "<🅰 / 🅱 / 🅲>" # обязательно, без default. Обоснуй в TL;DR. status: "reviewed" ```` ### 2. CORE CONTRIBUTION (TL;DR) 3 предложения. **Первое** — какую AQA-задачу решает: scoring (regression), ranking, fine-grained error classification, anomaly detection (one-class), multi-error localization. **Второе** — основной механизм. **Третье** — обоснование выбора `direction` (🅰 / 🅱 / 🅲). ### 3. АРХИТЕКТУРА И МЕТОД - **Постановка задачи:** regression / ranking / classification / anomaly - per-rep / per-set / per-frame granularity. - **Backbone** + временная агрегация (сколько кадров, какой stride). - **Голова оценки** (regression head, prototype-based, distance to mean, reconstruction error и т.д.). - **Loss-функции в LaTeX** ($\mathcal{L} = \dots$) с физическим/геометрическим смыслом. - **Обработка эталона:** есть ли явный «правильный» template? Как агрегируется по нескольким эталонам? - **Mermaid-диаграмма:** Inputs → Encoder → AQA-Head → Score/Anomaly. ### 4. AQA-ЭКСПЕРИМЕНТЫ (КРИТИЧНО) - **Datasets:** AQA-7, MTL-AQA, FineDiving, Fitness-AQA, EC3D, FLEX, JIGSAWS, собственные — указать конкретно. Чем размечен: continuous score / named errors / pairwise ranks? - **AQA-метрики:** - Для scoring/regression: Spearman's ρ, Kendall's τ, MSE, R² - Для error classification: Accuracy, F1, mAP, per-error precision/recall - Для anomaly: AUROC, AUPRC, EER - **Если используется только Top-1 accuracy** — это сигнал, что задача подменяется обычной классификацией; явно отметь. - **Inter-annotator agreement:** Cohen's κ / Krippendorff α — если есть. - **SOTA-таблица:** воспроизведи ключевую таблицу сравнения. - **Per-error breakdown:** есть ли разложение по типам ошибок? Какие ошибки метод ловит хорошо, какие плохо? - **Granularity:** оценка целиком за подход, за повтор, за фрейм, с временной локализацией? ### 5. EDGE FEASIBILITY (для SmartRep) |Параметр|Значение| |---|---| |Параметры (M)|<число / НЕ УКАЗАНО>| |GFLOPs|<число / НЕ УКАЗАНО>| |Latency + железо|<число + device / НЕ УКАЗАНО>| |Квантизация / дистилляция|<обсуждается? как?>| |Edge / mobile deployment|<да/нет/не обсуждается>| **Качественный fallback (если ≥4 НЕ УКАЗАНО):** оцени backbone как `lightweight / medium / heavy / unknown` с мотивацией в одну строку (тип архитектуры, число веток, требуемый временной контекст). ### 6. РЕЛЕВАНТНОСТЬ ДЛЯ SMARTREP (AQA-применимость) - **Прямой transfer на штангу:** какой domain gap (тип упражнений в датасете ↔ силовые)? Что сломается? - **Соответствие нашей таксономии ошибок:** есть ли в статье именованные ошибки, которые ложатся на наши (butt-wink, hitch, valgus knee, uneven bar path и т.д.)? - **Per-rep vs per-set:** наша задача — feedback по каждому повтору; поддерживает ли метод per-rep granularity или только summary? - **One-class совместимость:** если у статьи multi-class supervised — можно ли выкрутить в one-class (только эталоны)? Что для этого нужно изменить? - **LUPI-потенциал:** Teacher (богатые данные при сборе: видео + IMU + барбелл-трекер) → Student (только скелет на инференсе) — поддерживает ли фреймворк такую асимметрию? - **Periodicity / rep counting:** учитывает ли метод цикличность повторов? ### 7. GAP ДЛЯ НАС (НИША НОВИЗНЫ — самое важное поле) Сформулируй 2–4 конкретных гэпа в формате: - **Гэп N:** [что не делает статья] → [как это становится новизной SmartRep]. Пример формы: «Метод даёт скаляр-оценку всего подхода, но не локализует ошибку по времени → SmartRep делает per-rep + per-frame оценку с визуальной подсветкой проблемного интервала». ### 8. ВЫВОД ДЛЯ ЛИТОБЗОРА - Приоритет: **ВЫСОКИЙ / СРЕДНИЙ / НИЗКИЙ** + одна строка обоснования. - Место в SmartRep-pipeline: какому направлению (🅰/🅱/🅲) и какому этапу (pretraining / fine-tuning / inference head / baseline для сравнения). - 3–5 связанных статей для следующего разбора (с краткой ремаркой почему). --- ИНСТРУКЦИИ AI: - Не выдумывай данные. «НЕ УКАЗАНО» — допустимый ответ. - Разделяй факты и [КОММЕНТАРИЙ РЕЦЕНЗЕНТА]. - Все формулы — LaTeX в `$...$` или `$$...$$`. - Перед финальным артефактом — короткий блок структурных решений (какие нестандартные выборы пришлось сделать). - После артефакта — мета-комментарий: что в шаблоне сработало, что трещит на этой конкретной статье. ``` --- # 📝 ВАРИАНТ B — Промпт для SSL backbone / pose / representation learning статей ``` ПРОМПТ ДЛЯ АНАЛИЗА SSL-BACKBONE СТАТЬИ (paper_type: ssl_backbone) Ты — старший научный рецензент с экспертизой в SSL для видео и скелетов, representation learning, masked modeling, contrastive learning. Твоя задача — подготовить разбор статьи для проекта SmartRep как кандидата на этап pretraining скелетного/видео-энкодера. ВАЖНО: если статья ЯВНО про AQA / fine-grained errors / anomaly detection с готовой задачей — ОСТАНОВИСЬ и сообщи: «Эта статья AQA-типа, рекомендую AQA-промпт». Не пытайся натянуть SSL-нарратив на supervised AQA. ВАЖНО-2: AQA-метрики (Spearman, AUROC, error breakdown) в SSL-статьях обычно ОТСУТСТВУЮТ. Это нормально и не повод для упрёка статье. Фиксируй факт «AQA-evaluation не проводится» в разделе 4 и переноси обсуждение применимости к AQA в раздел 6. ### 1. МЕТАДАННЫЕ (YAML) ```yaml title: "<оригинальный заголовок>" title_ru: "<перевод>" short_name: "" authors: [<фамилии>] year: venue: "" venue_tier: "" doi: "" code: "" paper_type: "ssl_backbone" # обязательно tags: [<из фикс. словаря, минимум 3 — обязательно укажи парадигму, модальность и архитектуру>] relevance_to_smartrep: <1-5> direction: "<🅰 / 🅱 / 🅲>" # обязательно. Большинство SSL-статей — 🅲. Если иначе, обоснуй. status: "reviewed" ``` ### 2. CORE CONTRIBUTION (TL;DR) 3 предложения. **Первое** — какую SSL-задачу решает (masked recon, contrastive, predictive coding, cycle consistency, distillation). **Второе** — основной механизм + что нового относительно прямых предшественников. **Третье** — обоснование `direction` (почему именно 🅰/🅱/🅲 в нашем проекте). ### 3. АРХИТЕКТУРА И МЕТОД - **SSL-задача:** что именно предсказывается / выравнивается / маскируется. Какова конструкция позитивов и негативов (если contrastive). - **Backbone:** ViT / ST-GCN / Mamba / CNN + специфические блоки для временной размерности. - **Аугментации:** перечисли все. Особо отметь те, что ломают: периодичность (rep counting), геометрию суставов (наша задача), биомеханику (направление 🅱). - **Loss-функции в LaTeX** с комментарием о геометрическом/информационном смысле. - **Двухстадийность / warm-up / curriculum** — есть ли? Какое условие переключения? - **Гиперпараметры обучения:** оптимизатор, batch, memory bank size, эпохи, K в top-K (если применимо). - **Mermaid-диаграмма:** Raw input → View generation → Encoders → Projector → SSL-Loss. ### 4. SSL-ЭКСПЕРИМЕНТЫ - **Pretraining datasets:** NTU-60/120, Kinetics-400/700, ImageNet, собственные. Какова шкала? - **Downstream protocols:** - Linear evaluation (frozen encoder + FC) - Finetune (encoder + head обучаются end-to-end) - KNN evaluation - Few-label / semi-supervised (1% / 10% label fraction) - Transfer на out-of-distribution датасет - **Метрики downstream:** Top-1 / Top-5 accuracy, NMI / ARI для кластеризации, mAP для retrieval. **AQA-метрики обычно отсутствуют — это ожидаемо, отметь явно одной строкой.** - **SOTA-таблица:** воспроизведи основную, не все. - **Качественные результаты:** t-SNE / attention maps / cluster purity — если есть, прокомментируй что они показывают про геометрию пространства. - **Ablation:** какие компоненты критичны, какие косметические. ### 5. EDGE FEASIBILITY (для SmartRep) |Параметр|Значение| |---|---| |Параметры энкодера на инференсе (M)|<число / НЕ УКАЗАНО>| |GFLOPs|<число / НЕ УКАЗАНО>| |Latency + железо|<число + device / НЕ УКАЗАНО>| |Квантизация / дистилляция|<обсуждается?>| |Edge / mobile deployment|<да/нет/не обсуждается>| |Memory bank / момент-копии на инференсе|<используются? обычно нет>| **Качественный fallback (если ≥4 НЕ УКАЗАНО):** оценка backbone'а `lightweight / medium / heavy / unknown` + мотивация (тип, ширина, число параллельных веток). Особо отметь, что из SSL-инфраструктуры (memory bank, EMA-encoder, projector head) **не нужно** на инференсе. ### 6. РЕЛЕВАНТНОСТЬ ДЛЯ SMARTREP (как pretraining-кандидат) - **Backbone reusability:** напрямую совместим со скелетным input'ом SmartRep (33-точечный COCO/MoveNet)? Какие переходы нужны (NTU-25 ↔ COCO-33, joint mapping)? - **Pretraining recipe transferability:** warm-up, аугментации, размер batch, memory bank — что переносится на наш малый датасет, что нет? - **Domain gap к силовому тренингу:** датасеты статьи (бытовые действия / спорт / игры) ↔ штанговые упражнения. Насколько большой gap, что его смягчает (motion-stream? bone-stream?). - **Совместимость с downstream AQA-головами:** можно ли поверх этого энкодера навесить one-class anomaly head (PatchCore, KNN-distance, reconstruction error)? Не коллапсирует ли SSL-objective при подаче только эталонных подходов? - **LUPI-совместимость:** поддерживает ли фреймворк асимметричные потоки (Teacher с богатыми данными / Student с бедными), или все «views» — это симметричные преобразования одного входа? - **Periodicity-совместимость:** ломают ли аугментации цикличность (например, random crop с reflection padding ломает; phase-aware resampling сохраняет)? - **Чувствительность к мелким геометрическим отклонениям:** по построению objective статьи — он склеивает или различает сэмплы внутри одного класса? (Для нас критична внутриклассовая дискриминация: правильный присед vs присед с butt-wink.) ### 7. GAP ДЛЯ НАС (НИША НОВИЗНЫ — самое важное поле) 2–4 конкретных гэпа в формате: - **Гэп N:** [что не делает статья как pretraining-метод] → [конкретная модификация / расширение, которое мы можем заявить как вклад SmartRep]. Типичные формы для SSL-статей: - objective не чувствителен к ошибкам техники → ввести error-aware SSL signal - нет edge-бенчмарков → воспроизвести + INT8-квантизация - views симметричны → ввести настоящий LUPI с привилегированным учителем - аугментации ломают периодичность → phase-aware augmentations ### 8. ВЫВОД ДЛЯ ЛИТОБЗОРА - Приоритет: **ВЫСОКИЙ / СРЕДНИЙ / НИЗКИЙ** + одна строка обоснования. - Место в SmartRep-pipeline: какой этап (pre-pretraining / pretraining / finetune-инициализация / baseline-сравнение). - Прямой вклад в направления (🅰 / 🅱 / 🅲) — обычно для SSL-backbone ненулевой вклад только в 🅲, нулевой в 🅰 и 🅱. Если иначе — обоснуй. - 3–5 связанных статей для следующего разбора с краткой ремаркой почему. --- ИНСТРУКЦИИ AI: - Не выдумывай данные. «НЕ УКАЗАНО» — допустимый и частый ответ для edge-метрик в SSL-статьях. - Не натягивай AQA-нарратив. Если AQA-evaluation нет — фиксируй и идём дальше. - Разделяй факты и [КОММЕНТАРИЙ РЕЦЕНЗЕНТА]. - Формулы — LaTeX. - Перед финальным артефактом — короткий блок структурных решений. - После артефакта — мета-комментарий о работе шаблона на этой статье. ``` --- ## 🧭 Селектор: какой промпт когда применять | Признаки в abstract / methods | Шаблон | |---|---| | Spearman / Kendall / AUROC / per-error F1 / regression head на оценку | **A (AQA)** | | Named error taxonomy (named technique mistakes) | **A (AQA)** | | Reconstruction error / distance-to-prototype как anomaly score | **A (AQA)** | | Pretext task (masked recon / contrastive / cycle / pred coding) + linear/finetune evaluation на классификации | **B (SSL backbone)** | | Linear eval / KNN на NTU/Kinetics/ImageNet, Top-1 как главная метрика | **B (SSL backbone)** | | Гибрид: SSL-pretraining + AQA-fine-tuning в одной статье | По доминанте экспериментов; в разделе 1 пометить `paper_type: hybrid`, в TL;DR — какая часть для нас важнее | | Pose estimation (MPJPE / PA-MPJPE на H36M/3DPW) | Ни тот, ни другой — нужен **третий** шаблон (`pose_method`) | --- ## Мета-комментарий и предупреждения по применению **Что закрыто в этой версии:** - `direction` без default → AI обязан обосновать выбор и не сваливаться в дефолт. - Раздел 4 разделён → AQA-метрики не провоцируются на не-AQA статьях. - Раздел 6 разделён → разные подвопросы для прямого AQA-transfer и для chaining-роли pretraining'а. - Edge fallback → качественная шкала избавляет от полупустого раздела. - Тег-словарь расширен под subtypes contrastive learning. - Routing явный: `paper_type` в YAML + safety-check «остановись и переключись на другой шаблон». **Что пока НЕ закрыто и стоит запланировать:** - Третий шаблон **`pose_method`** (для AIFit, SMPLify-style, биомех. fitting) — у тебя AIFit уже разобран, но без отдельного промпта. Имеет смысл выделить, потому что у pose-papers свои оси оценки (MPJPE/PA-MPJPE, joint angle error, stability under occlusion, biomechanical priors). - Четвёртый — **`dataset`** — у тебя уже есть рабочий 14-секционный шаблон, не трогаем. - Совместимость нескольких карточек по одной статье. Например, AIFit — это и pose_method, и слабо AQA. Имеет смысл разрешить **two cards per paper** с явной перекрёстной ссылкой во frontmatter (`primary_card`, `secondary_card`). - Поле `external_eval_done` — флаг «мы воспроизвели цифры / пробовали backbone у себя / только прочитали». Это для следующего этапа когда начнётся реальный pretraining. **Подводный камень в Obsidian:** `paper_type` в frontmatter — это новое поле, и существующие 4 карточки (Fit3D, FLAG3D, Fitness-AQA, H36M) его не имеют. Их стоит мигрировать одним проходом — у датасетных карточек проставить `paper_type: dataset`. Иначе Dataview-запросы по `paper_type` будут давать пустоту на старых карточках. Если согласен с разбиением — могу сейчас же написать **третий промпт `pose_method`** для AIFit-style статей. Или сначала прогоним новый SSL-промпт на FLEX (он у тебя в highest priority) и посмотрим, не выскочат ли ещё дыры в шаблоне. ```