graph_block_shuffle — CONNGRAPH `dimension` op

• Datenarten: conn_graph × labels → conn_graph

• Aufruf: import fullseye as fs; fs.ledger.graph_block_shuffle(W: 'Any', labels: 'Any', seed: 'int' = 0) -> 'np.ndarray' (die Implementierung direkt: import conngraph; conngraph.graph_block_shuffle(W: 'Any', labels: 'Any', seed: 'int' = 0) -> 'np.ndarray'; aus dem Register: opsconngraph.get("graph_block_shuffle"))

Verwendung

> Für diesen Operator gibt es noch keine Übersetzung. Es folgt der Originaltext unverändert.

層(ラベル)のブロックごとに送り手を混ぜた対照の `conn_graph`: 各受け手が受ける重みの多重集合と

層間の総結線量は保ったまま、「誰から」だけを壊す。

`graph_degree_preserving_shuffle` が全体の次数列を保つのに対し、こちらは層構造を保つ(脳 → 首 → 腹髄 →

筋のブロックは動かさず、ブロックの中で行を並べ替える)。層の大きさと収束(fan-in)の効果を残して

「配線の特異性」だけを消した対照として使う。同じ `seed` で再現。

Ausführlicher Anwendungsleitfaden

• Leitfaden zur Familie conngraph

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

Ausführbare Beispiele (verifizierte Samples, die diesen Operator wirklich aufrufen)

• poc_connectome_motor_bottleneck — py -3.11 examples/poc_connectome_motor_bottleneck.py

Typkompatible Folge-Operatoren (nehmen `conn_graph` als Eingabe)

graph_degree_preserving_shuffle · graph_binarize · graph_degree_table · graph_clustering_coefficient · graph_betweenness · graph_laplacian_spectrum · graph_spectral_radius · graph_components

Gleiche Kategorie (`dimension`)

graph_layer_propagate · states_participation_ratio · states_layer_dimension

*Provenance: conngraph.py — CONNGRAPH Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*

graph_block_shuffle — CONNGRAPH dimension op