kabena-ml 1.2.0

K-ABENA: K-Adaptive Backpropagation with Error-based N-exclusion Algorithm

kabena-ml

K-ABENA — K-Adaptive Backpropagation with Error-based N-exclusion Algorithm

"Gradient intelligent : ignorer les petites erreurs pour apprendre plus vite." — YekoElite University × NeuroSoft IA

---

Installation en 30 secondes

pip install kabena-ml                # core (NumPy uniquement)
pip install kabena-ml[torch]         # + PyTorch
pip install kabena-ml[tf]            # + TensorFlow
pip install kabena-ml[all]           # tout inclus

Coût d'adoption : 2 lignes de code

Avant K-ABENA (SGD standard) :

loss = criterion(model(X), y)
loss.backward()

Après K-ABENA (+2 lignes) :

losses = criterion(model(X), y, reduction="none")  # ligne 1 modifiée
mask   = kabena_filter(losses, K=0.25)              # ligne 2 ajoutée
losses[mask].mean().backward()                      # ligne 3 inchangée

C'est tout. Votre architecture, votre optimiseur, votre pipeline — rien ne change.

---

Principe

K-ABENA filtre les observations "mineures" (erreur ≤ K) avant la backward pass.

Paramètre	Rôle	Valeur par défaut
K	Seuil absolu — erreurs ≤ K sont "mineures"	auto (calibrate_K)
N	Proportion de mineures conservées (0 = toutes exclues)	0.0

N=0  → mode agressif  : toutes les mineures exclues (gain maximal)
N=1  → mode standard  : aucune exclue (= SGD classique)
N=0.4 → mode modéré  : 40% des mineures conservées (régularisation)

---

Tutoriels

Niveau	Format	Usage
Niveau 1	Jupyter Notebook	Exploration rapide, cours
Niveau 2	Scripts .py	Projets complets
Niveau 3	MLOps (MLflow + Hydra)	Production

14 notebooks au total, dont 2 dédiés à la robustesse au bruit avec couverture PyTorch + TensorFlow/Keras + HuggingFace Trainer (notebooks 13–14).

---

Algorithmes couverts

• ✅ Régression linéaire / Ridge / Lasso (scikit-learn)
• ✅ Classification logistique (scikit-learn)
• ✅ SVM linéaire SGD (scikit-learn)
• ✅ XGBoost / Gradient Boosting (sklearn)
• ✅ MLP multicouche (scikit-learn + PyTorch + TensorFlow)
• ✅ CNN — vision (PyTorch + TensorFlow/Keras)
• ✅ Transformer — NLP classification (PyTorch + HuggingFace Trainer)
• ✅ Données déséquilibrées — K-ABENA Stratifié

---

Robustesse au bruit (v1.1.0)

K-ABENA présente un effet d'auto-protection empirique sous bruit de labels : l'avantage sur SGD standard s'amplifie avec le niveau de bruit (+1.7 pts à 0% de bruit, +8.6 pts à 30–40%). Détails complets, mécanisme et limites : Chapitre 16B du livre · calibrate_K_noisy() · notebooks 13–14.

⚠️ Limite L10 — à lire avant usage en production. Les valeurs par défaut de calibrate_K_noisy() (noise_factor=2.0, q_cap=25.0) ont été observées sur deux configurations seulement (CIFAR-10, SST-2) — ce n'est pas une constante universelle validée, contrairement à N=0.3 (validé sur 8 datasets). Constat additionnel vérifié : avec ces valeurs par défaut, le plafond q_cap=25% est atteint dès 7.5% de bruit estimé — au-delà, toute variation de bruit produit exactement le même K. Toujours valider noise_factor via une grille [1.0, 1.5, 2.0, 2.5, 3.0] sur votre propre dataset avec bruit connu avant de déployer en production.

from kabena_ml import calibrate_K_noisy

# Calibrage adapté au bruit estimé (30% de labels corrompus)
K = calibrate_K_noisy(losses_epoch1, estimated_noise_pct=0.30)

---

Auteur

M. Bonbhel — YekoElite University × NeuroSoft IA
[e-mail] | [phone]
GitHub : yekoelite/kabena-ml

---

Référence : Bonbhel, J.-F. (2026). "Gradient intelligent : la théorie K-ABENA pour un Machine Learning plus efficace." YekoElite University.