from pathlib import Path import json import numpy as np import matplotlib matplotlib.use('Agg') import matplotlib.pyplot as plt ROOT=Path(__file__).resolve().parent.parent;DATA=ROOT/'common/burnin-audit';FIG=DATA/'figures';FIG.mkdir(exist_ok=True) r=json.loads((DATA/'performance.json').read_text());s=r['analysis']['summaries'];comparisons=r['analysis']['comparisons'];labels=list(dict.fromkeys(j['id'].split('_')[0] for j in r['plan']['jobs'])) fig,ax=plt.subplots(figsize=(11,6),layout='constrained');y=np.arange(len(labels)) for delta,(ms,color) in zip([-.14,.14],[(100,'#357da8'),(3000,'#c47c2b')]): selected=[next(c for c in comparisons if c['candidate']==f'{label}_{ms}ms') for label in labels] mean=np.array([(c['mean_ratio']-1)*100 for c in selected]);low=np.array([c['ci95'][0]/c['before']['mean']*100 for c in selected]);high=np.array([c['ci95'][1]/c['before']['mean']*100 for c in selected]);ax.errorbar(mean,y+delta,xerr=[mean-low,high-mean],fmt='o',color=color,label=f'{ms} ms vs 10 ms',capsize=3) ax.axvline(0,color='black',lw=1);ax.set_yticks(y,labels);ax.invert_yaxis();ax.set(xlabel='Paired difference / 10 ms mean (%)',title='COMMON01: wall-clock burn-in sensitivity | same executable and input\n10 randomized blocks; per-pair 95% CI; Holm across 18 comparisons');ax.legend();ax.grid(axis='x',alpha=.2);fig.savefig(FIG/'burnin-sensitivity.png',dpi=160) base='https://github.com/predicatejp/integral-vsti/wiki/assets/effects-2026-11-05/common/burnin-audit' lines=['# CPU測定のburn-in時間に対する感度','','[調査索引](Effects-2026-11-05) / [共通規約](Effects-Protocol-2026-11-05)','','## 問い','','探索測定に使った実時間10msのburn-inを100ms、3秒へ延ばすと、同じ処理の測定値が変わるか。DSPへ通す音声秒数とは分けて評価する。','','9処理×3条件、10無作為化ブロック、ブロック間5秒。各条件は新しいプロセスで起動し、固定バイナリ・同じ入力・同じ2秒分の準備音声・4秒分の測定音声を使った。状態をresetしてから準備を通す。観測方法とFTZ/DAZの設定は各試作のものを維持し、同一ケース内だけを比較した。全270実行がそれぞれ指定したburn-in時間を満たすことを生値で確認した。','',f'[[assets/effects-2026-11-05/common/burnin-audit/figures/burnin-sensitivity.png|alt=Burn-in duration sensitivity with paired confidence intervals]]','','| 処理 | 10ms 平均±SD | 100ms 平均±SD | 3秒 平均±SD | 3秒/10msの差 | Holm p |','| --- | ---: | ---: | ---: | ---: | ---: |'] for label in labels: c=next(c for c in comparisons if c['candidate']==f'{label}_3000ms');values=[s[f'{label}_{ms}ms'] for ms in [10,100,3000]] lines.append('| '+label+' | '+' | '.join(f"{x['mean']:.3f} ± {x['sd']:.3f}" for x in values)+f" | {(c['mean_ratio']-1)*100:+.3f}% | {c['p_holm']:.4g} |") lines+=['','単位はns/stereo-frame。18比較のHolm補正後に有意差は検出されなかった。ただし差がないことの証明ではない。Plateでは100ms/3秒が約1.4〜1.5%速い点推定となり、ケースごとの95%CIと補正後のp値は別に読む必要がある。ごく小さい改善を10msの測定だけから強く結論しない。','','正常完了した初回24比較族は、別登録した3秒burn-inの確認測定でも評価した。[全比較の確認結果](Effects-Confirmation-2026-11-05)から、生値・差・信頼区間・分類の変化を参照できる。探索と確認の結果は混ぜて平均していない。','',f'- [全生値・検定・実行順]({base}/performance.json)、[事前plan]({base}/plan.json)、[固定バイナリ指紋]({base}/binary-sha256.json)',f'- [図生成コード]({base}/report_burnin.py)'] (ROOT/'common/Effects-Burnin-2026-11-05.md').write_text('\n'.join(lines)+'\n') print('burn-in report ready')