DPSH --- Differentiable Probabilistic Suffix Hypergraph
可微概率后缀超图：检索硬、聚合软 ------ 与 ROSA 的对比及真实链路验证
英文 | 中文 · 合成基准 + 真实文本 PPL + 神经融合 · 全部结果可复现
1. 这是什么
ROSA：离散后缀自动机------最长精确匹配 → 硬复制后继 token。无参数、无泛化。
DPSH：可微概率后缀超图------检索保持离散高效（后缀索引 + 聚类超边），聚合全程连续可微（可学习多阶混合 + 语义近邻 + 超边归并 + 证据门控），输出完整 next-token 分布而非硬 token。
本仓库包含：
- 合成基准：判别性任务上证明机制因果（T1 精确 / T2 改写 / T3 混合）
- 真实链路验证（Phase 1--5）：真实语料 PPL、规模×种子网格、跨语言、真预训练 LM 融合
- 最终配方 ：
后缀多阶检索 + 证据门控 ⊕ λ 融合神经 LM logits
核心结果一句话
| 断言 | 证据 |
|---|---|
| ROSA 在真实文本上不可用 | wikitext-103 上 32.5 bits/token（比 unigram 差 3 倍） |
| DPSH 检索后验优于经典 PPM | 4 格规模×种子网格全部成立（-29.6±6.5 mbits） |
| 检索⊕神经融合互补 | 中英双语、跨规模、真预训练 LM 上全部成立 |
| 检索在真预训练 LM 之上有增量 | Qwen2.5-0.5B 6.393 → 融合 5.966 bits（+427 mbits） |
2. 目录结构
dpsh_experiment_pack/
├── dpsh_experiment.py # 合成基准主实验（语料/索引/模型/评测/消融）
├── plot_results.py # 读取 results/*.json 出对比图
├── run_all.sh # 合成基准一键复现
├── dpsh_real_pg19.py # Phase 1: 真实文本 PPL（wikitext-103，词级）
├── dpsh_real_phase2.py # Phase 2: GRU 神经分支融合（GPU）
├── dpsh_real_phase3.py # Phase 3: 规模×种子网格（{150k,500k}×{s1,s2}）
├── dpsh_real_phase4.py # Phase 4: 中文泛化 + 自适应 μ 门控
├── dpsh_real_phase5.py # Phase 5: 真预训练 LM（Qwen2.5-0.5B）分支融合
├── results/
│ ├── results_dense.json # 合成-密集
│ ├── results_sparse.json # 合成-稀疏（--full 完整版）
│ ├── results_*_baseline.json # 修复 bug 前的基线备份
│ ├── dpsh_results.png # 12 方法对比图
│ ├── results_real_pg19.json # Phase 1
│ ├── results_real_phase2.json # Phase 2
│ ├── results_real_phase3.json # Phase 3
│ ├── results_real_phase4.json # Phase 4
│ └── results_real_phase5.json # Phase 5
└── logs/ # 运行日志3. 环境
bash
# 合成基准 + Phase 1（纯 CPU）
pip install numpy scipy scikit-learn matplotlib
# Phase 2--4 神经分支（GPU 推荐）
pip install torch --index-url https://download.pytorch.org/whl/cu130
# Phase 5 真预训练 LM
pip install "transformers<5" # 5.x 与 torch<=2.13 不兼容中文语料（Phase 4）默认读本地 minimind_data/pretrain_t2t_mini.jsonl（路径在
dpsh_real_phase4.py 中可改），需要 jieba；英文语料自动从 HF（可用
HF_ENDPOINT=https://hf-mirror.com 镜像）流式拉取并缓存。
4. 快速开始
bash
# 合成基准（约 8 分钟，CPU）
bash run_all.sh # 基线
bash run_all.sh --full # 追加聚类准则消融（succ/both 聚类）
# 真实链路（各 10--20 分钟）
python dpsh_real_pg19.py # Phase 1: ROSA vs PPM vs DPSH（真实 PPL）
python dpsh_real_phase2.py # Phase 2: + GRU 融合
python dpsh_real_phase3.py # Phase 3: 规模×种子网格
python dpsh_real_phase4.py # Phase 4: 中文 + 自适应 μ
python dpsh_real_phase5.py # Phase 5: Qwen 融合（需 GPU + transformers）注意 ：合成基准的 dense/sparse 两场景必须分进程跑（
run_all.sh已处理）。
dpsh_experiment.py的模块级rng只在 import 时播种一次，同进程连跑会让第二个场景的语料漂移。
5. 合成基准
5.1 判别性任务
| 任务 | 构造 | 意图 |
|---|---|---|
| T1 Verbatim | 待预测上下文在历史中精确出现过 | ROSA 主场，DPSH 不能退化 |
| T2 Paraphrase | 上下文换成同义 key，精确匹配断裂 | ROSA 软肋，检验语义泛化 |
| T3 Mixed | 通用 next-token 预测 | 综合表现 |
语料 = filler 模板段落 + 事实句 [Q0, Q1, K, V]。每个同义组 3 个 key，
只有 2 个在历史中作过事实句主语，剩下 1 个构成 paraphrase 测试集。
fact_ratio 控制证据密度：密集 0.32（节点平均 13.5 次观测）/
稀疏 0.05（2.3 次）。
公平性：所有含自由参数的方法（PPM / DPSH 各变体）在同一 dev split 上用
L-BFGS 最小化 NLL 自动拟合，不手工调参；ROSA / ROSA+WB 无参数。
5.2 结果（完整版，含聚类准则消融）
密集场景（acc / bits）：
| 方法 | T1 精确 | T2 改写 | T3 混合 |
|---|---|---|---|
| ROSA-hard | 100.0% / 0.00 | 0.0% / 39.86 | 55.7% / 17.65 |
| PPM | 100.0% / 0.11 | 0.0% / 11.10 | 56.4% / 3.57 |
| DPSH 硬超边 | 100.0% / 0.10 | 89.3% / 1.03 | 56.4% / 3.10 |
| DPSH 自适应(后继聚类) | 100.0% / 0.04 | 97.3% / 0.40 | 57.9% / 3.07 |
| DPSH 自适应(混合聚类) | 100.0% / 0.06 | 100.0% / 0.07 | 58.3% / 2.78 |
| DPSH w/o超边 | 100.0% / 0.04 | 100.0% / 0.08 | 58.8% / 2.89 |
稀疏场景：
| 方法 | T1 精确 | T2 改写 | T3 混合 |
|---|---|---|---|
| ROSA-hard | 85.6% / 5.74 | 0.0% / 39.86 | 57.7% / 16.86 |
| PPM | 85.6% / 2.38 | 0.0% / 14.09 | 58.0% / 3.34 |
| DPSH 硬超边 | 85.6% / 1.42 | 3.6% / 5.26 | 57.6% / 3.04 |
| DPSH 自适应(后继聚类) | 92.9% / 1.53 | 80.4% / 3.91 | 60.2% / 2.86 |
| DPSH 自适应(混合聚类) | 92.9% / 1.59 | 80.4% / 3.42 | 61.3% / 2.62 |
| DPSH w/o超边 | 92.9% / 1.63 | 80.4% / 4.09 | 61.7% / 2.62 |
（bits 略有跨环境波动，来自 MiniBatchKMeans 的 sklearn 版本间非确定性；
参数无关方法逐位可复现。）
5.3 合成结论
- DPSH 严格优于 ROSA。 T1 不退化；T2 上 ROSA 从 100% 掉到 0%
（39.86 bits 是概率塌到数值下限的截断值------精确匹配一断就彻底失明）。 - 命门是语义近邻检索 ：去掉近邻 → T2 归零；去掉多阶 → 70~80%；
去掉证据门控（硬超边）→ 崩到 3.6%。 - 超边无增量价值（负面结论） ：按后继分布/混合聚类能救回 T2，
但 T3 始终不超过完全不用超边 → 正式设计砍掉超边。
6. 真实链路验证（Phase 1--5）
Phase 1 --- 真实文本 PPL（wikitext-103，词级 5000，书本级 held-out）
| 方法 | acc | bits/token |
|---|---|---|
| Unigram | 16.0% | 8.470 |
| ROSA-hard | 17.5% | 32.56 💥 |
| ROSA+WB | 17.5% | 32.51 |
| PPM | 19.9% | 7.899 |
| DPSH w/o近邻 | 20.4% | 7.850 |
| DPSH-full | 19.9% | 7.852 |
- ROSA 判死刑：硬复制在真实文本上"匹配到但复制错"是常态
- DPSH 的多阶混合+证据门控有真实增量（vs PPM +0.6%）
- 语义近邻无增量（换更强嵌入也一样，见 Phase 2）→ 正式版砍掉
Phase 2 --- GRU 神经分支融合（检索硬 + 神经软）
| 方法 | bits/token |
|---|---|
| DPSH w/o近邻 (PPMI) | 7.850 |
| NNLM(GRU) 单独 | 8.100 |
| DPSH ⊕ NNLM 融合 | 7.780 |
μ=0.65（dev 网格拟合，非手调），两个分支都被真实使用。
另：训练出的 NN 词嵌入替换 PPMI 后近邻检索仍无增量（7.854→7.936），
证实"近邻无增量"不是嵌入弱的问题。
Phase 3 --- 规模 × 种子网格（可靠性）
{150k, 500k} 索引 × {切片1, 切片2}：
| 格 | PPM | DPSH | NNLM | 融合 | C1 | C2 |
|---|---|---|---|---|---|---|
| 150k_s1 | 7.795 | 7.776 | 7.800 | 7.564 | ✓ | ✓ |
| 150k_s2 | 7.786 | 7.752 | 7.833 | 7.559 | ✓ | ✓ |
| 500k_s1 | 7.349 | 7.317 | 7.484 | 7.090 | ✓ | ✓ |
| 500k_s2 | 7.333 | 7.299 | 7.481 | 7.086 | ✓ | ✓ |
- C1（DPSH<PPM）：4/4 成立，增量 -29.6±6.5 mbits
- C2（融合<所有单分支）：4/4 成立，增益 211.5±12.3 mbits
- 种子间融合差异仅 ~0.005 bits；μ 稳定在 0.50--0.55
Phase 4 --- 跨语言（中文 minimind 语料，jieba 词级）+ 自适应 μ
| 语料 | PPM | DPSH | NNLM | 融合(标量μ) | C1 | C2 |
|---|---|---|---|---|---|---|
| en 500k | 7.103 | 7.072 | 7.249 | 6.855 | ✓ | ✓ |
| zh 500k | 6.266 | 6.225 | 5.967 | 5.682 | ✓ | ✓ |
门控方向随语料自动翻转 ：英文检索强 → μ=0.55；中文神经强 → μ=0.35。
dev 拟合自动找到正确混合方向，无需人工干预。
自适应 μ（sigmoid(a+b·nmax+c·mlen)）仅比标量好 ~2 mbits------诚实汇报。
Phase 5 --- 真预训练 LM 分支（Qwen2.5-0.5B-Instruct）
| 方法 | acc | bits/token |
|---|---|---|
| DPSH(检索) | 23.3% | 7.105 |
| GRU 分支 | 20.9% | 7.271 |
| Qwen2.5-0.5B 单独 | 27.9% | 6.393 |
| 融合：检索⊕Qwen | 29.0% | 5.966 |
| 融合：检索⊕GRU⊕Qwen | 29.3% | 5.937 |
- 检索在真预训练 LM 之上有真实增量：+427 mbits （6.393→5.966），
权重 0.4/0.6（dev 拟合） - 三路融合 0.3/0.1/0.6 再进半步
- Qwen 分布按"词首 BPE token"聚合到词级词表（近似；
batch 推理必须左 padding，否则取到 PAD 位置的 logits）
7. 可靠性证据链
合成基准 机制因果成立（T1 不退化 / T2 泛化 / 消融定位有效组件）
↓
Phase 1 真实文本：ROSA 死刑；DPSH > PPM
↓
Phase 3 规模×种子：C1/C2 4/4 格成立，方差 ~mbits 级
↓
Phase 4 跨语言复现；门控方向自适应
↓
Phase 5 真预训练 LM 之上仍有 +427 mbits 增量8. 工程备注（本次验证修复的 bug）
--full模式新变体被静默丢弃（ORDER在导入时固化）------这就是
"已实现但从未跑完"的真正原因；修复后在 main 中扩展ORDER--scenario plot必崩（make_plot用 tuple 下标记问 JSON dict）------兼容两种格式/data/workspace/Linux 硬编码路径 ×4 → 改为脚本相对路径- 中文字体 Linux-only →
Microsoft YaHei回退链 - Phase 5：Qwen tokenizer 默认右 padding，batch 推理
logits[:, -1]
取到 PAD 位置 → 左 padding 修复
9. 已知边界（不要过度外推）
- 真实链路是词级 5000 词表 / ≤500k 索引的机制级验证，不是生产规模
- Phase 5 的 Qwen 分支用首 BPE 聚合近似（全词 BPE 打分成本高）
- 单语种单语料各一（en=wikitext-103，zh=minimind）；无多种子显著性检验
（Phase 3 的种子方差除外） - 检索的增量部分来自域内长史 （检索索引 vs Qwen 的 32 词窗口）；
长上下文任务（改写版 NIAH / LongBench）是下一步 - 无安全对齐考量；合成语料只证明机制因果
10. 引用
bibtex
@misc{dpsh,
title={DPSH: Differentiable Probabilistic Suffix Hypergraph ---
检索硬、聚合软的语言模型组件及其与 ROSA 的对比},
author={dfytensor},
year={2026},
url={https://github.com/dfytensor/DPSH}
}License
MIT