graph_activation_latency — CONNGRAPH `activity` op

• Data kinds: matrix → labels

• Call: import fullseye as fs; fs.ledger.graph_activation_latency(X: 'Any', thresh: 'float' = 0.1) -> 'np.ndarray' (implementation को सीधे call करना हो तो import conngraph; conngraph.graph_activation_latency(X: 'Any', thresh: 'float' = 0.1) -> 'np.ndarray', registry से लेना हो तो opsconngraph.get("graph_activation_latency"))

• GPU: केवल chain के भीतर (allow-list का mechanical GPU path, CuPy)। पड़ोसी stage भी allow-list में हो तभी GPU पर resident रहता है। अकेली call CPU पर चलती है

उपयोग

हर node पहली बार जिस step (0 से शुरू) पर "जला", उसका क्रम (n,), integer। जो node कभी नहीं जले उन्हें −1।

X reservoir_states का (T, n) है। "जला" = |x| ≥ पूरे data का maximum × thresh (thresh (0, 1] में)। scale हर node के लिए अलग नहीं, 1 ही है -- हर node के हिसाब से फैलाने पर लगभग न हिलने वाले nodes की rounding dust भी "जला" गिनी जाएगी। पूरी तरह शून्य X के लिए सब −1।

उपयोग की विस्तृत guide

• conngraph family guide

संदर्भ (sample data, साहित्य)

• Sample data catalog (DL URL / license) — 2-D के लिए skimage.data (BSD/public) + synthetic, 3-D के लिए real data sources (Stanford/PDS आदि) के DL URL।

• Operators का स्रोत और संदर्भ — इस op family के मूल research/methods के स्रोत।

• Algorithm का मानक स्रोत (लेखक, वर्ष) और उपयोग ऊपर की family usage guide में दिए गए हैं।

चलाए जा सकने वाले उदाहरण (verified samples जो सच में यह op call करते हैं)

• poc_malecns_activity_wave — py -3.11 examples/poc_malecns_activity_wave.py

वे अगले ops जिनसे type जुड़ता है (`labels` को input के रूप में लेते हैं)

graph_modularity · graph_activity_spread · graph_block_shuffle · graph_layer_propagate · states_layer_dimension

इसी category के (`activity`)

graph_activity_spread · points_activity_video

*Provenance: conngraph.py — CONNGRAPH operator registry. यह per-op note tools/opdocs.py md से अपने-आप generate होता है (हाथ से edit न करें)।*

graph_activation_latency — CONNGRAPH activity op