Ablation analysis

На основе аблационных экспериментов (Фазы A–D) и анализа кода:

Параметр / компонент	Ожидаемый эффект	Механизм
`activation ∈ {relu, leaky_relu}`	+2–5% bal.acc	Нелинейность тела → богатые признаки
`output_readout = mean_minus_median`	+1–2% bal.acc	Снижение чувствительности к смещению
`allow_variable_channels=True` (8–32)	+2–4% bal.acc	Большая ёмкость сети
`elite_refinement_enabled=True`	+1–3% bal.acc (на test)	GD улучшает conv-веса элиты
`periodic_gd_enabled=True`	+0.5–2% bal.acc	Улучшение весов всей популяции
`edge_weights=True`	+0.5–1.5% bal.acc	Дифференцируемые merge-коэффициенты
`fitness_val_size=25000` (vs 1000)	Надёжнее оценка	Снижение шума fitness

Параметр / компонент	Эффект	Примечание
`activation = tanh`	нейтр./слабо+	Насыщение при больших весах
`activation = gelu`	нейтр.	Не даёт преимущества vs relu в малых CNN
`forward_runtime = cuda_graph`	нет влияния на acc	Только скорость; требует фикс. batch
`forward_runtime = compile`	нет влияния на acc	Только скорость
`elite_percent > 0.3`	деградация	Уменьшает diversity
`elite_percent < 0.1`	деградация	Элиты мало — нестабильная эволюция
`channels = [16, 32, 64]` vs `[3, 8, 16, 32]`	нейтр.	Больше VRAM, не лучше acc
Очень большой `population_size`	нет улучшения	Вычислительно дорого
Очень большой `num_generations`	нейтр. после плато	Diminishing returns

Ограничение	Влияние	Возможное улучшение
Линейное тело (`activation=None`)	Ограничена выразительность	Включить `activation=relu`
Фиксированные C=3 каналы	Малая ёмкость	`allow_variable_channels=True`
Union crossover (без учёта fitness)	Неоптимальное наследование	Weighted crossover по fitness
Отсутствие speciation	Вымирание разнообразия	Видовая концепция NEAT
Binary head не обучается	Бинарный порог не адаптируется	Обучаемый head с BCE