@nahisaho/satori 0.22.0 → 0.23.0

package/README.md

@@ -7,7 +7,7 @@
 
 ## Overview
 
-このディレクトリには、Exp-01〜13 で蓄積した科学データ解析技法を Agent Skills として体系化した **166 個**のスキルを格納しています。Copilot がプロンプトの文脈に応じて適切なスキルを自動ロードし、各実験で確立した解析パターンを再利用します。131 のスキルは [ToolUniverse](https://github.com/mims-harvard/ToolUniverse) SMCP 経由で 1,200 以上の外部科学データベースツールとも連携可能です。
+このディレクトリには、Exp-01〜13 で蓄積した科学データ解析技法を Agent Skills として体系化した **174 個**のスキルを格納しています。Copilot がプロンプトの文脈に応じて適切なスキルを自動ロードし、各実験で確立した解析パターンを再利用します。131 のスキルは [ToolUniverse](https://github.com/mims-harvard/ToolUniverse) SMCP 経由で 1,200 以上の外部科学データベースツールとも連携可能です。
 
 ### パイプラインフロー
 
@@ -286,8 +286,8 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 中区分 | スキル数 | 概要 |
 |---|:---:|---|
 | A. 基盤・ワークフロー | 17 | パイプライン構築・前処理・データ生成・図表・執筆・仮説立案・批判的レビュー・SI 生成・LaTeX 変換・引用検証・査読対応・改訂追跡・論文品質・系統的レビュー・BioThings ID マッピング・データ投稿・CrossRef メタデータ |
-| B. 統計・探索的解析 | 4 | EDA・仮説検定・次元削減・記号数学 |
-| C. 機械学習・モデリング | 3 | 回帰・分類・特徴量重要度 |
+| B. 統計・探索的解析 | 6 | EDA・仮説検定・次元削減・記号数学・欠損データ解析・高度可視化 |
+| C. 機械学習・モデリング | 6 | 回帰・分類・特徴量重要度・アクティブラーニング・AutoML・アンサンブル学習 |
 | D. 実験計画・プロセス最適化 | 2 | DOE・応答曲面法・ベイズ最適化 |
 | E. 信号・スペクトル・時系列 | 4 | スペクトル解析・生体信号・時系列分解・神経電気生理学 |
 | F. 生命科学・オミクス | 28 | バイオインフォ・メタボロ・ゲノム配列・マルチオミクス・ネットワーク・プロテオミクス・トランスクリプトミクス・パスウェイ濃縮・代謝物 DB・HPA・ゲノム配列ツール・非コード RNA・オントロジー・EBI DB 群・Ensembl ゲノミクス・STRING/BioGRID PPI・発現比較・モデル生物 DB・GEO 発現プロファイル・寄生虫ゲノミクス・ArrayExpress 発現アーカイブ・GTEx 組織発現・UniProt プロテオーム・Reactome パスウェイ・HGNC 命名法・代謝ネットワーク・糖鎖解析・リピドミクス |
@@ -298,11 +298,11 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | K. 構造生物学・タンパク質工学 | 7 | PDB/AlphaFold 構造解析・de novo タンパク質設計・PPI ネットワーク・ドメイン/ファミリー・構造プロテオミクス・AlphaFold DB 構造予測・RCSB PDB 構造検索 |
 | L. 精密医療・臨床意思決定 | 6 | 変異解釈 (ACMG/AMP)・エビデンスベース臨床意思決定・バリアント効果予測・CIViC 臨床エビデンス・gnomAD バリアント・ClinGen キュレーション |
 | M. 実験室自動化・データ管理 | 3 | 液体ハンドリング・プロトコル管理・ELN/LIMS 連携・ラボデータ管理・CRISPR gRNA 設計 |
-| N. 科学プレゼンテーション・図式 | 2 | 科学スライド・ポスター・ワークフロー図・科学図式 |
+| N. 科学プレゼンテーション・図式 | 3 | 科学スライド・ポスター・ワークフロー図・科学図式・インタラクティブダッシュボード |
 | O. 研究計画・グラント・規制 | 3 | 助成金申請書・研究方法論・倫理審査・規制科学 |
 | P. ファーマコビジランス・薬理ゲノミクス | 4 | FAERS 不均衡分析・MedDRA 階層・安全性シグナル検出・PGx 代謝型・PharmGKB 臨床アノテーション・臨床薬理学 PopPK/PBPK |
 | Q. 腫瘍学・疾患研究 | 10 | 精密腫瘍学 (CIViC/OncoKB)・疾患-遺伝子関連 (GWAS/Orphanet)・がんゲノミクス (COSMIC/DepMap)・希少疾患遺伝学・細胞株リソース・ICGC がんゲノムデータ・Open Targets 遺伝学・DepMap 依存性・Monarch オントロジー・GDC ポータル |
-| R. 量子・先端計算 | 7 | 量子計算・GNN・ベイズ統計・説明可能 AI・深層学習・ヘルスケア AI・強化学習 |
+| R. 量子・先端計算 | 9 | 量子計算・GNN・ベイズ統計・説明可能 AI・深層学習・ヘルスケア AI・強化学習・転移学習・不確実性定量化 |
 | S. 医用イメージング | 1 | DICOM/NIfTI・WSI 病理画像・Radiomics・MONAI |
 | T. シングルセル・空間・エピゲノミクス | 13 | scRNA-seq・Visium・MERFISH・CELLxGENE・RNA velocity・エピゲノミクス・レギュラトリーゲノミクス・摂動解析・scVI 統合・scATAC-seq/Signac・GPU シングルセル・ENCODE/SCREEN・Human Cell Atlas・高度 Squidpy 空間解析・空間マルチオミクス・CELLxGENE Census |
 | U. 免疫・感染症 | 2 | 免疫情報学・MHC 結合予測・病原体ゲノミクス・AMR・IEDB |
@@ -340,9 +340,9 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 119 | [scientific-data-submission](scientific-data-submission/SKILL.md) | GenBank/SRA/GEO/BioProject/BioSample データ投稿・FAIR 原則準拠 | 汎用 |
 | 139 | [scientific-crossref-metadata](scientific-crossref-metadata/SKILL.md) | CrossRef REST API DOI 解決・論文メタデータ・引用数・ジャーナル情報 | 汎用 |
 
-### B. 統計・探索的解析（4 種）
+### B. 統計・探索的解析（6 種）
 
-データの理解・検定・次元削減・記号数学を担うスキル群。
+データの理解・検定・次元削減・記号数学・欠損データ解析・高度可視化を担うスキル群。
 
 | # | Skill | 説明 | 参照 Exp |
 |---|---|---|---|
@@ -350,16 +350,21 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 15 | [scientific-statistical-testing](scientific-statistical-testing/SKILL.md) | 仮説検定・多重比較・エンリッチメント・ベイズ推論 | 03, 04, 06, 07 |
 | 16 | [scientific-pca-tsne](scientific-pca-tsne/SKILL.md) | PCA / t-SNE / UMAP 次元削減・クラスタリング | 02, 03, 07, 11, 13 |
 | 105 | [scientific-symbolic-mathematics](scientific-symbolic-mathematics/SKILL.md) | SymPy 解析的微積分・ODE 求解・線形代数・科学モデリング記号計算 | 汎用 |
+| 172 | [scientific-missing-data-analysis](scientific-missing-data-analysis/SKILL.md) | 欠損パターン診断 (MCAR/MAR/MNAR)・Little's MCAR テスト・MICE 多重代入・KNN/MissForest 補完 | 汎用 |
+| 173 | [scientific-advanced-visualization](scientific-advanced-visualization/SKILL.md) | Plotly 3D・Altair 宣言的可視化・Parallel Coordinates・出版品質図・アニメーション | 汎用 |
 
-### C. 機械学習・モデリング（3 種）
+### C. 機械学習・モデリング（6 種）
 
-教師あり学習と特徴量解釈を担うスキル群。
+教師あり学習・特徴量解釈・アクティブラーニング・AutoML・アンサンブル学習を担うスキル群。
 
 | # | Skill | 説明 | 参照 Exp |
 |---|---|---|---|
 | 17 | [scientific-ml-regression](scientific-ml-regression/SKILL.md) | マルチターゲット回帰・モデル比較・レーダーチャート | 05, 12, 13 |
 | 18 | [scientific-ml-classification](scientific-ml-classification/SKILL.md) | 分類 ML・ROC・PR 曲線・混同行列・PDP・Volcano | 03, 05 |
 | 19 | [scientific-feature-importance](scientific-feature-importance/SKILL.md) | Tree-based & Permutation 特徴量重要度・PDP | 05, 12, 13 |
+| 167 | [scientific-active-learning](scientific-active-learning/SKILL.md) | 不確実性サンプリング・QBC・バッチ AL・能動学習ループ・停止基準 | 汎用 |
+| 168 | [scientific-automl](scientific-automl/SKILL.md) | Optuna HPO・マルチモデル AutoML・自動特徴量エンジニアリング・AutoML レポート | 汎用 |
+| 169 | [scientific-ensemble-methods](scientific-ensemble-methods/SKILL.md) | XGBoost/LightGBM/CatBoost 比較・Stacking OOF・Voting・アンサンブル多様性 | 汎用 |
 
 ### D. 実験計画・プロセス最適化（2 種）
 
@@ -509,14 +514,15 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 72 | [scientific-lab-data-management](scientific-lab-data-management/SKILL.md) | Benchling ELN/DNA 設計・DNAnexus PaaS・OMERO バイオイメージング・Protocols.io | 汎用 |
 | 164 | [scientific-crispr-design](scientific-crispr-design/SKILL.md) | CRISPR gRNA 設計・Cas9/Cas12a PAM 検索・オフターゲットスコアリング・sgRNA ライブラリ構築 | 汎用 |
 
-### N. 科学プレゼンテーション・図式（2 種）
+### N. 科学プレゼンテーション・図式（3 種）
 
-学会発表用スライド・ポスター・科学図式のデザインを担うスキル群。
+学会発表用スライド・ポスター・科学図式・インタラクティブダッシュボードのデザインを担うスキル群。
 
 | # | Skill | 説明 | 参照 Exp |
 |---|---|---|---|
 | 45 | [scientific-presentation-design](scientific-presentation-design/SKILL.md) | 15 スライド構成テンプレート・tikzposter・matplotlib ワークフロー図・アクセシビリティ | 汎用 |
 | 73 | [scientific-scientific-schematics](scientific-scientific-schematics/SKILL.md) | CONSORT フロー図・NN アーキテクチャ図・パスウェイ図・TikZ/SVG | 汎用 |
+| 174 | [scientific-interactive-dashboard](scientific-interactive-dashboard/SKILL.md) | Streamlit/Dash/Panel 科学データダッシュボード・パラメータ探索 UI・リアルタイム解析 | 汎用 |
 
 ### O. 研究計画・グラント・規制（3 種）
 
@@ -556,9 +562,9 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 149 | [scientific-monarch-ontology](scientific-monarch-ontology/SKILL.md) | Monarch Initiative 疾患-遺伝子-表現型オントロジー・HPO・エンティティ検索 | 汎用 |
 | 150 | [scientific-gdc-portal](scientific-gdc-portal/SKILL.md) | NCI Genomic Data Commons REST API・プロジェクト/ケース/SSM 検索 | 汎用 |
 
-### R. 量子・先端計算（7 種）
+### R. 量子・先端計算（9 種）
 
-量子計算・GNN・ベイズ統計・XAI・深層学習・ヘルスケア AI・強化学習など次世代計算手法を担うスキル群。
+量子計算・GNN・ベイズ統計・XAI・深層学習・ヘルスケア AI・強化学習・転移学習・不確実性定量化など次世代計算手法を担うスキル群。
 
 | # | Skill | 説明 | 参照 Exp |
 |---|---|---|---|
@@ -569,6 +575,8 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 55 | [scientific-deep-learning](scientific-deep-learning/SKILL.md) | Lightning/timm/Transformers・CNN/ViT/BERT Fine-tune・Optuna HPO・ONNX エクスポート | 汎用 |
 | 96 | [scientific-healthcare-ai](scientific-healthcare-ai/SKILL.md) | PyHealth 臨床 ML パイプライン・フローサイトメトリー・EHR 処理 | 汎用 |
 | 104 | [scientific-reinforcement-learning](scientific-reinforcement-learning/SKILL.md) | Stable-Baselines3/PufferLib RL エージェント訓練・分子設計/実験最適化 RL | 汎用 |
+| 170 | [scientific-transfer-learning](scientific-transfer-learning/SKILL.md) | Vision/NLP ファインチューニング・Few-shot・知識蒸留・ドメイン適応 | 汎用 |
+| 171 | [scientific-uncertainty-quantification](scientific-uncertainty-quantification/SKILL.md) | Conformal Prediction・MC Dropout・深層アンサンブル・Calibration・ECE | 汎用 |
 
 ### S. 医用イメージング（1 種）
 
@@ -731,12 +739,17 @@ Skills は `.github/skills/` に配置されているため、Copilot が自動
 │   ├── scientific-eda-correlation/
 │   ├── scientific-statistical-testing/
 │   ├── scientific-pca-tsne/
-│   └── scientific-symbolic-mathematics/
+│   ├── scientific-symbolic-mathematics/
+│   ├── scientific-missing-data-analysis/
+│   └── scientific-advanced-visualization/
 │
 │── [C] 機械学習・モデリング
 │   ├── scientific-ml-regression/
 │   ├── scientific-ml-classification/
-│   └── scientific-feature-importance/
+│   ├── scientific-feature-importance/
+│   ├── scientific-active-learning/
+│   ├── scientific-automl/
+│   └── scientific-ensemble-methods/
 │
 │── [D] 実験計画・プロセス最適化
 │   ├── scientific-doe/
@@ -839,7 +852,8 @@ Skills は `.github/skills/` に配置されているため、Copilot が自動
 │
 ├── [N] 科学プレゼンテーション・図式
 │   ├── scientific-presentation-design/
-│   └── scientific-scientific-schematics/
+│   ├── scientific-scientific-schematics/
+│   └── scientific-interactive-dashboard/
 │
 └── [O] 研究計画・グラント・規制
     ├── scientific-grant-writing/
@@ -871,7 +885,9 @@ Skills は `.github/skills/` に配置されているため、Copilot が自動
 │   ├── scientific-explainable-ai/
 │   ├── scientific-deep-learning/
 │   ├── scientific-healthcare-ai/
-│   └── scientific-reinforcement-learning/
+│   ├── scientific-reinforcement-learning/
+│   ├── scientific-transfer-learning/
+│   └── scientific-uncertainty-quantification/
 │
 └── [S] 医用イメージング
     └── scientific-medical-imaging/

package/package.json

@@ -1,6 +1,6 @@
 {
   "name": "@nahisaho/satori",
-  "version": "0.22.0",
+  "version": "0.23.0",
   "description": "SATORI — Agent Skills for Science. GitHub Copilot Agent Skills collection for scientific data analysis.",
   "main": "index.js",
   "bin": {

package/src/.github/skills/scientific-active-learning/SKILL.md

@@ -0,0 +1,289 @@
+---
+name: scientific-active-learning
+description: |
+  アクティブラーニング (能動学習) スキル。不確実性サンプリング・
+  Query-by-Committee・期待モデル変化・プール型/ストリーム型・
+  バッチアクティブラーニング・停止基準判定・
+  モデル改善パイプライン。
+---
+
+# Scientific Active Learning
+
+ラベル付けコストを最小化しながらモデル精度を最大化する
+アクティブラーニング戦略の設計・実行・評価パイプラインを提供する。
+
+## When to Use
+
+- 少量のラベル付きデータで効率的にモデルを改善するとき
+- ラベル付けコストが高い実験データを扱うとき
+- 不確実性サンプリングでモデルの弱点を特定するとき
+- Query-by-Committee で意見が分かれるサンプルを選択するとき
+- バッチアクティブラーニングで複数サンプルを同時取得するとき
+- 停止基準 (パフォーマンス収束) を判定するとき
+
+---
+
+## Quick Start
+
+## 1. 不確実性サンプリング
+
+```python
+import numpy as np
+import pandas as pd
+from sklearn.base import clone
+from sklearn.ensemble import RandomForestClassifier
+from sklearn.metrics import accuracy_score
+
+
+def uncertainty_sampling(model, X_pool, strategy="entropy"):
+    """
+    不確実性ベース サンプリング。
+
+    Parameters:
+        model: fitted sklearn classifier
+        X_pool: np.ndarray — ラベルなしプール
+        strategy: str — "entropy" / "margin" / "least_confident"
+    Returns:
+        indices: np.ndarray — 不確実性降順のインデックス
+    """
+    proba = model.predict_proba(X_pool)
+
+    if strategy == "entropy":
+        scores = -np.sum(proba * np.log(proba + 1e-10), axis=1)
+    elif strategy == "margin":
+        sorted_p = np.sort(proba, axis=1)
+        scores = 1.0 - (sorted_p[:, -1] - sorted_p[:, -2])
+    elif strategy == "least_confident":
+        scores = 1.0 - np.max(proba, axis=1)
+    else:
+        raise ValueError(f"Unknown strategy: {strategy}")
+
+    indices = np.argsort(scores)[::-1]
+    print(f"Uncertainty ({strategy}): top score = {scores[indices[0]]:.4f}")
+    return indices
+
+
+def query_by_committee(models, X_pool, n_members=5):
+    """
+    Query-by-Committee サンプリング。
+
+    Parameters:
+        models: list — 学習済み分類器リスト
+        X_pool: np.ndarray — ラベルなしプール
+        n_members: int — 委員会メンバ数
+    """
+    predictions = np.array([m.predict(X_pool) for m in models[:n_members]])
+    # Vote entropy
+    n_samples = X_pool.shape[0]
+    n_classes = len(np.unique(predictions))
+    scores = np.zeros(n_samples)
+
+    for i in range(n_samples):
+        votes = predictions[:, i]
+        _, counts = np.unique(votes, return_counts=True)
+        proba = counts / len(votes)
+        scores[i] = -np.sum(proba * np.log(proba + 1e-10))
+
+    indices = np.argsort(scores)[::-1]
+    print(f"QBC: top disagreement = {scores[indices[0]]:.4f}")
+    return indices
+```
+
+## 2. バッチアクティブラーニング
+
+```python
+def batch_active_learning(model, X_pool, batch_size=10,
+                          strategy="entropy", diversity_weight=0.5):
+    """
+    多様性を考慮したバッチアクティブラーニング。
+
+    Parameters:
+        model: fitted classifier
+        X_pool: np.ndarray — ラベルなしプール
+        batch_size: int — バッチサイズ
+        strategy: str — 不確実性戦略
+        diversity_weight: float — 多様性重み (0-1)
+    """
+    from sklearn.metrics.pairwise import euclidean_distances
+
+    # 不確実性スコア
+    indices = uncertainty_sampling(model, X_pool, strategy)
+
+    # 候補プール (上位 batch_size * 3)
+    candidate_size = min(batch_size * 3, len(indices))
+    candidates = indices[:candidate_size]
+
+    # 多様性ベース選択 (k-center greedy)
+    selected = [candidates[0]]
+    for _ in range(batch_size - 1):
+        remaining = [c for c in candidates if c not in selected]
+        if not remaining:
+            break
+
+        dists = euclidean_distances(
+            X_pool[remaining], X_pool[selected])
+        min_dists = dists.min(axis=1)
+
+        # 不確実性ランクを正規化
+        uncertainty_ranks = np.array([
+            np.where(indices == r)[0][0] for r in remaining])
+        uncertainty_scores = 1.0 - uncertainty_ranks / len(indices)
+
+        # 複合スコア
+        combined = (diversity_weight * min_dists / (min_dists.max() + 1e-10)
+                    + (1 - diversity_weight) * uncertainty_scores)
+
+        best_idx = remaining[np.argmax(combined)]
+        selected.append(best_idx)
+
+    print(f"Batch AL: selected {len(selected)} diverse-uncertain samples")
+    return np.array(selected)
+```
+
+## 3. アクティブラーニングループ
+
+```python
+def active_learning_loop(X_labeled, y_labeled, X_pool, y_pool_true,
+                         X_test, y_test,
+                         model=None, n_rounds=20, batch_size=10,
+                         strategy="entropy"):
+    """
+    アクティブラーニング実験ループ。
+
+    Parameters:
+        X_labeled: np.ndarray — 初期ラベル付きデータ
+        y_labeled: np.ndarray — 初期ラベル
+        X_pool: np.ndarray — ラベルなしプール
+        y_pool_true: np.ndarray — プールの真ラベル (Oracle)
+        X_test: np.ndarray — テストデータ
+        y_test: np.ndarray — テストラベル
+        model: sklearn classifier (default: RF)
+        n_rounds: int — ラウンド数
+        batch_size: int — バッチサイズ
+        strategy: str — サンプリング戦略
+    """
+    if model is None:
+        model = RandomForestClassifier(n_estimators=100, random_state=42)
+
+    X_l = X_labeled.copy()
+    y_l = y_labeled.copy()
+    X_p = X_pool.copy()
+    y_p = y_pool_true.copy()
+
+    history = []
+    for rnd in range(n_rounds):
+        m = clone(model).fit(X_l, y_l)
+        acc = accuracy_score(y_test, m.predict(X_test))
+        history.append({
+            "round": rnd,
+            "n_labeled": len(y_l),
+            "accuracy": round(acc, 4),
+            "pool_size": len(y_p),
+        })
+
+        if len(X_p) == 0:
+            break
+
+        # バッチ選択
+        selected = batch_active_learning(
+            m, X_p, batch_size, strategy)
+
+        # Oracle に問い合わせ
+        X_l = np.vstack([X_l, X_p[selected]])
+        y_l = np.concatenate([y_l, y_p[selected]])
+
+        mask = np.ones(len(X_p), dtype=bool)
+        mask[selected] = False
+        X_p = X_p[mask]
+        y_p = y_p[mask]
+
+    df = pd.DataFrame(history)
+    improvement = df["accuracy"].iloc[-1] - df["accuracy"].iloc[0]
+    print(f"AL loop: {n_rounds} rounds, "
+          f"acc {df['accuracy'].iloc[0]:.3f} → {df['accuracy'].iloc[-1]:.3f} "
+          f"(+{improvement:.3f})")
+    return df
+
+
+def compare_strategies(X_labeled, y_labeled, X_pool, y_pool_true,
+                       X_test, y_test, n_rounds=20, batch_size=10):
+    """
+    複数アクティブラーニング戦略の比較。
+
+    Parameters: (同上)
+    """
+    strategies = ["entropy", "margin", "least_confident"]
+    results = {}
+
+    for strat in strategies:
+        history = active_learning_loop(
+            X_labeled, y_labeled, X_pool, y_pool_true,
+            X_test, y_test,
+            n_rounds=n_rounds, batch_size=batch_size,
+            strategy=strat)
+        results[strat] = history
+
+    # ランダムベースライン
+    np.random.seed(42)
+    random_history = active_learning_loop(
+        X_labeled, y_labeled,
+        X_pool[np.random.permutation(len(X_pool))],
+        y_pool_true[np.random.permutation(len(y_pool_true))],
+        X_test, y_test,
+        n_rounds=n_rounds, batch_size=batch_size,
+        strategy="least_confident")
+    results["random"] = random_history
+
+    print(f"Strategy comparison: {len(strategies) + 1} methods evaluated")
+    return results
+```
+
+## 4. 停止基準判定
+
+```python
+def stopping_criterion(history_df, patience=5, min_improvement=0.001):
+    """
+    アクティブラーニング停止基準判定。
+
+    Parameters:
+        history_df: pd.DataFrame — AL 履歴
+        patience: int — 改善なしラウンド数
+        min_improvement: float — 最小改善幅
+    """
+    accs = history_df["accuracy"].values
+    if len(accs) < patience + 1:
+        return False, "insufficient rounds"
+
+    recent = accs[-patience:]
+    best_before = accs[:-patience].max()
+    improvement = recent.max() - best_before
+
+    if improvement < min_improvement:
+        return True, (f"converged: improvement {improvement:.5f} "
+                      f"< threshold {min_improvement}")
+
+    return False, f"continuing: improvement {improvement:.5f}"
+```
+
+---
+
+## パイプライン統合
+
+```
+eda-correlation → active-learning → ml-classification
+  (データ探索)     (サンプル選択)     (モデル構築)
+       │                │                ↓
+  missing-data ─────────┘     ensemble-methods
+    (欠損値処理)               (アンサンブル)
+                                    ↓
+                          uncertainty-quantification
+                            (不確実性定量化)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `al_history.csv` | AL ラウンド履歴 | → 停止判定 |
+| `selected_samples.csv` | 選択サンプル | → ラベル付け |
+| `strategy_comparison.csv` | 戦略比較 | → advanced-visualization |