データ
各デモは実行時にデータを自動ダウンロードする。取得元は第三者リポジトリ
toan-vt/cloud-data-store
の main（raw.githubusercontent.com/.../refs/heads/main/tabular/...）。各実験は
data_train.csv / data_test.csv / metadata.json を読み込む
（pe.data.TabularCSV）。
再現性メモ: データは
main（未固定参照）から取得している。厳密な再現には データ側のコミット SHA も固定・記録することが望ましい（本フェーズでは未固定）。
データセット一覧
| データセット | 種別 | パス配下 | 分類 | 備考 |
|---|---|---|---|---|
| XOR stress test | 模擬 | sim/xor-stress-test/{n}_feature_xor/ |
二値 | 高次相関のストレステスト。1feature で非公開 35,000 行 |
| SCM | 模擬 | sim/scm/{tree,nn,rff}/ |
多クラス | 構造的因果モデル。prior により生成過程が異なる |
| Breast Cancer | 実 | real/breast-cancer/ |
二値 | 30 数値特徴 + diagnosis。本フェーズの Smoke Test |
| Adult | 実 | real/adult/ |
二値 | 本フェーズ未実行 |
| Artificial Characters | 実 | real/artificial-characters/ |
多クラス | 5/6/7-way WSD 評価 |
| Person Activity | 実 | real/person-activity/ |
多クラス | 本フェーズ未実行（5000 samples） |
train/test と前処理
- 各実験は公式が用意した train/test split を
data_train.csv/data_test.csvとしてそのまま利用する。 - 分類器評価では、合成 train と実 test を結合した上で categorical を
LabelEncoder、 数値をMinMaxScalerで符号化する（classifier.py:86-97）。 - WSD では全列を非公開データのレンジで [0,1] 正規化する（
compute_wsd.py:97-104）。
列構成（実測）
- Breast Cancer: 30 数値特徴 + target
diagnosis（合成 CSV ヘッダより確認）。 - SCM (rff) / Artificial Characters: 特徴 + label 合わせて計 8 列 （5/6/7-way の組合せを取れる次元数）。
各データセットの正確な行数・categorical/numerical の内訳・target は
metadata.jsonに依存する。詳細な metadata の網羅は後続フェーズで補完する （一部 UNCONFIRMED）。