experiment-code

Experiment Code

研究論文向けの機械学習実験コードを生成し、反復的に改善します。

Input

• $0 — タスク：generate、improve、debug、plot
• $1 — 研究計画、アイデアの説明、またはエラーメッセージ

References

• 実験プロンプトとパターン：~/.claude/skills/experiment-code/references/experiment-prompts.md
• コードパターン（エラー処理、修復、山登り法）：~/.claude/skills/experiment-code/references/code-patterns.md

Action: generate

次の構成に従って、初期実験コードを生成します。

1. まず実験を計画する — 必要な実行をすべて列挙します（ハイパーパラメーターのスイープ、アブレーション、ベースライン）。
2. 自己完結型のコードを書く — すべてのコードをプロジェクトディレクトリに置き、参照リポジトリから外部インポートしないでください。
3. 適切なロギングを含める — 結果を JSON に保存し、中間メトリクスを出力します。
4. 図を生成する — 最低でも Figure_1.png と Figure_2.png を生成します。

Mandatory Structure

project/
├── experiment.py      # Main experiment script
├── plot.py            # Visualization script
├── notes.txt          # Experiment descriptions and results
├── run_1/             # Results from run 1
│   └── final_info.json
├── run_2/
└── ...

Constraints

• プレースホルダーコード（pass、...、raise NotImplementedError）は禁止です。
• 実際のデータセットを使用する必要があります（明示的に要求された場合を除き、玩具データは使用しないでください）。
• PyTorch または scikit-learn を推奨します（TensorFlow/Keras は使用しないでください）。
• 各実行には python experiment.py --out_dir=run_i を使用します。

Action: improve

既存の実験コードを改善します。

1. 現在のコードと結果を読みます。
2. うまくいった点と、うまくいかなかった点を振り返ります。
3. 対象を絞って編集します（全面的な書き直しより、小規模な編集を優先します）。
4. 再実行してスコアを比較します。
5. 最も性能の高いコードのバリアントを維持します。

Action: debug

実験コードのエラーを修正します。

1. エラーメッセージを読みます（非常に長い場合は末尾の 1500 文字に切り詰めます）。
2. 根本原因を特定します。
3. 最小限の修正を適用します。
4. 方針を変更する前に、最大 4 回まで再試行します。

Action: plot

実験結果から、論文掲載品質のプロットを生成します。

1. すべての run_*/final_info.json ファイルを読みます。
2. 適切なラベルを付けて比較プロットを生成します。
3. 図のスタイル設定には、図生成スキルを使用します。

Rules

• コードを書く前に、必ず実験を計画してください。
• 各実行後に、結果を notes.txt に記録してください。
• 結果が示す内容を説明する print 文を含めてください。
• 手法の精度が 0% にならないようにしてください — 精度の計算を検証してください。
• 再現性のためにシードを使用してください。
• 各実験の前に、その結果で何を示すのかを正確に説明する print 文を含めてください。

Related Skills

• 上流：experiment-design、algorithm-design
• 下流：data-analysis、backward-traceability
• 関連項目：code-debugging、paper-to-code