grant_kachalka_Egor/SmartRep/0_prompts/Промпт для AQA Anomaly Error-detection статей.md

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: "<canonical акроним если есть>"
authors: [<фамилии>]
year: <YYYY>
venue: "<conference/journal>"
venue_tier: "<A*/A/B/Q1/Q2>"
doi: "<link>"
code: "<github если есть>"
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)

title: "<оригинальный заголовок>"
title_ru: "<перевод>"
short_name: "<canonical акроним>"
authors: [<фамилии>]
year: <YYYY>
venue: "<conference/journal>"
venue_tier: "<A*/A/B/Q1/Q2>"
doi: "<link>"
code: "<github>"
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.