Blind Room Classification

Classification aveugle des pièces d'un bâtiment à partir d'un graphe spatial (Revit BIM).

Aucun nom Revit n'est utilisé pour classer les pièces.
Seule la géométrie, la topologie du graphe et le contexte d'appartement sont exploités.

📊 Performances (v8.1)

🚀 Démarrage rapide

# Prérequis : Python ≥ 3.10 (stdlib uniquement, aucune dépendance)

# Interface web (recommandé)
python classify_launcher.py
# → http://localhost:8500

# Ligne de commande
python src/export_viewer.py data/spatial_graph_P1.json
# → output/spatial_graph_P1_viewer.html

# Benchmark d'accuracy
python src/_baseline.py

🏗️ Architecture

classify_launcher.py   → Interface web locale (port 8500)
data/                  → Fichiers JSON d'entrée (graphes spatiaux P1–P5)
src/
  ├── blind_classifier.py        → Orchestrateur du pipeline de classification
  ├── apartment_clustering_v2.py → Clustering par betweenness + BFS
  ├── export_viewer.py           → Générateur de viewer HTML interactif
  ├── graph_metrics.py           → Métriques de centralité (btw, closeness, degree, eigen)
  ├── graph_templates.py         → 44 templates WL globaux
  ├── _baseline.py               → Benchmark d'accuracy P1/P2
  ├── rules/                     → Règles de classification modulaires
  │   ├── geometric.py           → Passe 1 : R1–R10 (géométrie pure)
  │   ├── templates.py           → Passe 0.5 : template matching WL global
  │   ├── motifs.py              → Passe 1.5 : motifs locaux (suite parentale, hub, annexe)
  │   ├── inter_pass.py          → Inter-passes + post-pass corrections (11 règles)
  │   ├── topological.py         → Passe 2 : propagation topologique
  │   ├── apartment_context.py   → Passe 3 : contexte d'appartement
  │   ├── cluster_correction.py  → Passe 4 : correction par cluster
  │   └── entrance_coherence.py  → Passe 5 : cohérence des entrées
  └── wl/                        → Module Weisfeiler-Lehman (hasher + analyzer)
output/                → Fichiers générés (viewers HTML, résultats JSON)
docs/guide/            → Documentation interactive (12 pages HTML)
docs/research/         → Artifacts de recherche (handoffs, rapports, roadmap)
autoresearch/          → Framework d'expérimentation autonome (Karpathy loop)

🔬 Pipeline de classification

Passe 0   — Entrées structurelles (betweenness centrality)        conf 1.0
Passe 0.5 — Template matching WL (44 templates globaux)           conf 1.0
Passe 1   — Géométrie pure (R1–R10 : area, portes, fenêtres)     conf 0.65–0.95
Passe 1.5 — Motifs locaux (suite parentale, hub, annexe cuisine)  conf 0.85–0.95
Inter     — Corrections architecturales (R_adj, R_bedroom, etc.)
Passe 2   — Propagation topologique (voisinage d'ancres fiables)  conf 0.55–0.85
Passe 3   — Contexte d'appartement (buanderie, cuisine, centralité)
Passe 4   — Correction par cluster (types manquants)              conf 0.55–0.78
Passe 5   — Cohérence des entrées (1 entrée par appartement)      conf 0.80
Post      — 11 règles de raffinement (hubs, WL local, fallbacks)  conf 0.55–0.85

📖 Documentation

• Guide interactif — Documentation complète (12 pages avec graphes SVG, sliders, accordions)
• Algorithme détaillé — Spécification technique v6.3
• Règles métier — Contraintes architecturales et historique
• Roadmap recherche — Axes de recherche (6 axes, mermaid)

🔧 Prérequis

• Python ≥ 3.10 (stdlib uniquement, aucune dépendance externe)

Spatial Graph Classifier — CLAUDE.md

Objectif principal

Transparence et maintenabilité, pas le score. Le score P1/P2 est un garde-fou de non-régression, pas l'objectif. Avant toute modification : privilégier la lisibilité, les noms explicites, les constantes documentées. Voir la philosophie complète dans SGC-Cortex/00-index.md.

Commandes clés

# Benchmark d'accuracy (P1 + P2)
python src/_baseline.py

# Smoke test complet (P1–P5 + seuils + score no-memo observationnel)
python tools/smoke_test.py

# Matrice d'ablation (contribution de chaque passe/règle — OBLIGATOIRE avant
# d'ajouter une règle ; ~15 s)
python tools/ablation_matrix.py

# Viewer HTML interactif pour un dataset
python src/export_viewer.py data/spatial_graph_P1.json   # → output/

# Interface web locale
python classify_launcher.py   # → http://localhost:8500

Seuils de qualité (gates P1/P2)

P3, P4, P5 : scores observationnels, jamais des gates — P3 91.5%, P4 92.4%, P5 85.0% (P5 ré-exporté 2026-07). Une partie de l'ancien « écart P5 » (65%) était causée par une règle toxique supprimée en v9.0 (R_bathroom_leaf, cf. docs/research/REVUE_CRITIQUE_2026-07.md) ; le reste venait du champ side amont, réparé par la consommation F25 de wl_ext_ratio (cf. SGC-Cortex/experiments/f25-side-fallback.md).

Architecture

classify_launcher.py          → Serveur web local (port 8500)
src/
  blind_classifier.py         → Orchestrateur principal
  apartment_clustering_v2.py  → Clustering betweenness + BFS
  export_viewer.py            → Générateur HTML
  graph_metrics.py            → btw, closeness, degree, eigenvector
  graph_templates.py          → 44 templates WL globaux (v1, fallback)
  graph_templates_v2.py       → 222 templates WL (v1 + minés MSD, actif ;
                                régénérable par msd/wl_mining/)
  _baseline.py                → Benchmark P1/P2
  rules/
    geometric.py              → Passe 1 : R1–R9 (géométrie ; R6/R10 supprimées v9.0)
    templates.py              → Passe 0.5 : template matching WL
    inter_pass.py             → Inter-passes (NR_leaf_*) + post-passes (7 règles)
    topological.py            → Passe 2 : propagation
    apartment_context.py      → Passe 3 : kitchen recovery
  wl/                         → Module Weisfeiler-Lehman
data/                         → JSON Revit (P1–P5)
tools/smoke_test.py           → Tests de non-régression P1–P5
output/                       → Viewers HTML générés

Pipeline de classification

Passe 0   — Entrées (betweenness centrality, nœuds sans fenêtre)  conf 1.0
Passe 0.5 — Template WL global (44 templates)                      conf 1.0
Passe 1   — Géométrie pure (area, portes, fenêtres) + fallback     conf 0.25–0.95
Inter     — Corrections NR_leaf_* (annexes de bedroom/kitchen/living)
Passe 2   — Propagation topologique (ancres → voisins)             conf 0.80–0.90
Passe 3   — Contexte appartement (kitchen recovery)                conf 0.78
Post      — 7 règles de raffinement finales                        conf 0.55–0.78

v9.0 (2026-07) : pipeline purgé sur la base d'une matrice d'ablation mesurée (docs/research/REVUE_CRITIQUE_2026-07.md + docs/research/ablations/). Supprimés : passes 1.5/4/5, R6, R10, R_bathroom_leaf (toxique : −11.5 pts P5), _recover_laundry_t3 (−4.6 pts P4), 3b centralité, branche placard (nom de porte), et 4 sous-règles mortes. Toute règle nouvelle doit prouver sa contribution via le harnais d'ablation avant d'entrer.

Règle d'immutabilité : toute pièce classée avec confidence == 1.0 (Passes 0 et 0.5) est verrouillée (SpatialRoom.is_locked). Les passes suivantes ne peuvent pas la modifier. Chaque affectation passe par SpatialRoom.propose() (journal _history par pièce).

Données d'entrée (format JSON Revit)

• Nœuds : RM (pièce), DR (porte), WD (fenêtre), SEP (séparateur)
• Arêtes : Connected, Adjacent, Window
• Features clés par pièce : area, nw (fenêtres), nd (portes), sep_ratio, glazing_ratio, btw, closeness

Knowledge base

Le dossier SGC-Cortex/ est la base de connaissance vivante du projet :

• 00-index.md — index général + performances actuelles
• concepts/ — description détaillée de chaque passe
• rules/classification-rules.md — dictionnaire exhaustif des règles
• rules/constraints.md — contraintes architecturales françaises
• experiments/baseline-p1-p2.md — historique complet des versions

Début de session : lire SGC-Cortex/00-index.md, puis les notes pertinentes à la tâche.
Fin de session : mettre à jour les notes modifiées et ajouter une entrée dans experiments/.