import live www.sillylaird.ca webrootHEADmain

6 files changed, 969 insertions, 0 deletions

diff --git a/.agents/skills/results-analysis/references/analysis-depth.md b/.agents/skills/results-analysis/references/analysis-depth.md
new file mode 100644
index 0000000..5713c62
--- /dev/null
+++ b/.agents/skills/results-analysis/references/analysis-depth.md
@@ -0,0 +1,39 @@
+# Analysis Depth Guide
+
+Move beyond “method A > method B”.
+
+## Four-layer depth ladder
+
+### 1. Observation
+What changed?
+- absolute gap
+- relative gap
+- stability change
+- subgroup pattern
+
+### 2. Interpretation
+What is the most defensible explanation?
+- optimization stability
+- inductive bias match
+- subject/domain shift handling
+- data scarcity sensitivity
+
+### 3. Constraint
+What prevents overclaiming?
+- low sample size
+- only one dataset
+- missing subgroup coverage
+- no robustness sweep
+
+### 4. Decision
+What should happen next?
+- promote into durable result note
+- run an ablation
+- stop an unpromising branch
+- update the active plan
+
+## Good report sentence pattern
+- “We observe X.”
+- “This supports Y because Z evidence is present.”
+- “However, the claim is bounded by A.”
+- “Therefore the next decision is B.”
diff --git a/.agents/skills/results-analysis/references/common-pitfalls.md b/.agents/skills/results-analysis/references/common-pitfalls.md
new file mode 100644
index 0000000..559f29a
--- /dev/null
+++ b/.agents/skills/results-analysis/references/common-pitfalls.md
@@ -0,0 +1,28 @@
+# Common Pitfalls in Experimental Analysis
+
+## Statistical pitfalls
+- Reporting only the best run
+- Mixing seed-level and subject-level units
+- Running many contrasts without correction
+- Reporting significance without effect size
+- Using parametric tests after failed assumptions without explanation
+
+## Visualization pitfalls
+- No real figure despite readable data
+- Plot without uncertainty information
+- Overcrowded multi-panel figure with no message hierarchy
+- Caption missing n / error-bar meaning
+- Figure not referenced or interpreted in text
+
+## Reasoning pitfalls
+- Confusing correlation with mechanism
+- Treating trend as conclusion
+- Ignoring negative results
+- Hiding instability behind a mean value
+- Turning raw logs into durable conclusions too early
+
+## Reporting pitfalls
+- Writing paper prose before evidence is stabilized
+- Mixing analysis artifact with final narrative artifact
+- Not separating blocker from conclusion
+- Forgetting to state what decision the analysis changes
diff --git a/.agents/skills/results-analysis/references/figure-interpretation.md b/.agents/skills/results-analysis/references/figure-interpretation.md
new file mode 100644
index 0000000..75e25db
--- /dev/null
+++ b/.agents/skills/results-analysis/references/figure-interpretation.md
@@ -0,0 +1,30 @@
+# Figure Interpretation Guide
+
+A scientific figure is incomplete until the text answers:
+1. why the figure exists,
+2. what the reader should notice,
+3. why that observation matters.
+
+## Minimal interpretation block
+
+For each figure, provide:
+- **Purpose**: the research question this figure addresses
+- **Observation**: the concrete pattern seen in the plot
+- **Interpretation**: the mechanism or explanation supported by the evidence
+- **Implication**: what decision, next experiment, or claim changes because of it
+
+## Caption checklist
+
+A usable caption should specify:
+- what is plotted,
+- what each axis means,
+- sample size,
+- what error bars / ribbons represent,
+- any normalization or smoothing,
+- any significance marker convention.
+
+## Anti-patterns
+- restating the axis labels as “interpretation”
+- giving only aesthetic comments
+- making causal claims unsupported by the plot
+- repeating the caption without adding insight
diff --git a/.agents/skills/results-analysis/references/statistical-methods.md b/.agents/skills/results-analysis/references/statistical-methods.md
new file mode 100644
index 0000000..db3e74f
--- /dev/null
+++ b/.agents/skills/results-analysis/references/statistical-methods.md
@@ -0,0 +1,561 @@
+# Statistical Methods for ML/AI Experiments
+
+完整的统计分析方法指南，用于 ML/AI 实验结果分析。
+
+## 基础统计量
+
+### 均值 (Mean)
+
+**定义**: 所有观测值的平均值
+
+**公式**: μ = (Σx) / n
+
+**报告格式**: "模型在测试集上达到 85.3% 的准确率"
+
+### 标准差 (Standard Deviation, SD)
+
+**定义**: 衡量数据分散程度
+
+**公式**: SD = √[Σ(x - μ)² / (n-1)]
+
+**报告格式**: "准确率为 85.3% ± 2.1%（标准差）"
+
+**何时使用**: 描述数据的变异性
+
+### 标准误 (Standard Error, SE)
+
+**定义**: 样本均值的标准差
+
+**公式**: SE = SD / √n
+
+**报告格式**: "准确率为 85.3% ± 0.7%（标准误）"
+
+**何时使用**: 估计均值的不确定性
+
+### 标准差 vs 标准误
+
+| 特性 | 标准差 (SD) | 标准误 (SE) |
+|------|------------|------------|
+| 含义 | 数据的分散程度 | 均值估计的不确定性 |
+| 随样本量变化 | 不变 | 减小（∝ 1/√n） |
+| 用途 | 描述数据变异 | 推断总体均值 |
+| 报告场景 | 描述性统计 | 推断性统计 |
+
+**重要**: 论文中必须明确说明使用的是标准差还是标准误。
+
+### 置信区间 (Confidence Interval)
+
+**定义**: 总体参数的可能范围
+
+**95% 置信区间公式**: CI = μ ± t(α/2, n-1) × SE
+
+**报告格式**: "准确率为 85.3% [95% CI: 83.9%, 86.7%]"
+
+**解释**: 95% 的置信区间意味着如果重复实验多次，95% 的区间会包含真实值。
+
+## 预先检验（必须执行）
+
+在进行参数检验前，必须验证数据是否满足检验的假设条件。
+
+### 1. 正态性检验 (Normality Test)
+
+**目的**: 验证数据是否服从正态分布
+
+**何时需要**: 使用 t-test、ANOVA 等参数检验前
+
+**常用方法**:
+
+#### Shapiro-Wilk 检验
+- **适用**: 样本量 n < 50
+- **零假设**: 数据服从正态分布
+- **判断**: p > 0.05 → 接受正态分布假设
+- **使用场景**: 小样本，最常用
+
+#### Kolmogorov-Smirnov 检验
+- **适用**: 样本量 n ≥ 50
+- **零假设**: 数据服从正态分布
+- **判断**: p > 0.05 → 接受正态分布假设
+- **使用场景**: 大样本
+
+#### Anderson-Darling 检验
+- **适用**: 所有样本量
+- **优点**: 对尾部偏离更敏感
+- **使用场景**: 需要检测尾部异常时
+
+#### Q-Q 图 (Quantile-Quantile Plot)
+- **类型**: 图形化方法
+- **判断**: 点接近直线 → 正态分布
+- **优点**: 直观展示偏离程度
+- **使用场景**: 配合数值检验使用
+
+**不满足正态性时的处理**:
+1. 数据转换（log, sqrt, Box-Cox）
+2. 使用非参数检验（Wilcoxon, Mann-Whitney U）
+3. 增加样本量（中心极限定理）
+
+### 2. 方差齐性检验 (Homogeneity of Variance)
+
+**目的**: 验证多组数据的方差是否相等
+
+**何时需要**: 使用独立样本 t-test、ANOVA 前
+
+**常用方法**:
+
+#### Levene 检验
+- **适用**: 最常用，对非正态分布鲁棒
+- **零假设**: 各组方差相等
+- **判断**: p > 0.05 → 接受方差齐性假设
+- **使用场景**: 默认选择
+
+#### Bartlett 检验
+- **适用**: 数据严格正态分布时
+- **零假设**: 各组方差相等
+- **判断**: p > 0.05 → 接受方差齐性假设
+- **使用场景**: 正态性已验证
+
+#### Brown-Forsythe 检验
+- **适用**: Levene 检验的改进版
+- **优点**: 对非正态分布更鲁棒
+- **使用场景**: 数据明显偏态时
+
+**不满足方差齐性时的处理**:
+1. 使用 Welch's t-test（不假设方差相等）
+2. 使用 Welch's ANOVA
+3. 数据转换
+4. 使用非参数检验
+
+### 3. 独立性检验
+
+**目的**: 验证观测值之间是否独立
+
+**何时需要**: 所有统计检验前
+
+**常见违反独立性的情况**:
+- 时间序列数据（自相关）
+- 重复测量（同一对象多次测量）
+- 聚类数据（同一组内的观测）
+
+**处理方法**:
+- 时间序列：使用时间序列分析方法
+- 重复测量：使用配对检验或混合效应模型
+- 聚类数据：使用多层模型或聚类标准误
+
+### 4. 异常值检测
+
+**目的**: 识别和处理极端值
+
+**常用方法**:
+
+#### IQR 方法
+- **定义**: 异常值 = Q1 - 1.5×IQR 或 Q3 + 1.5×IQR 之外
+- **使用场景**: 最常用，简单直观
+
+#### Z-score 方法
+- **定义**: |Z| > 3 为异常值
+- **使用场景**: 数据近似正态分布
+
+#### Grubbs 检验
+- **适用**: 检测单个异常值
+- **使用场景**: 正态分布数据
+
+**处理异常值**:
+1. 检查是否为数据错误
+2. 报告异常值的存在
+3. 进行敏感性分析（有/无异常值）
+4. 使用鲁棒统计方法
+
+## 预先检验决策树
+
+```
+开始
+  ↓
+样本量 < 30？
+  ↓ 是
+  检查正态性（Shapiro-Wilk）
+    ↓ 不满足
+    使用非参数检验
+  ↓ 否
+  检查正态性（K-S 或 Q-Q 图）
+    ↓ 满足
+    两组比较？
+      ↓ 是
+      检查方差齐性（Levene）
+        ↓ 满足
+        独立样本 t-test
+        ↓ 不满足
+        Welch's t-test
+      ↓ 否
+      多组比较？
+        ↓ 是
+        检查方差齐性（Levene）
+          ↓ 满足
+          ANOVA
+          ↓ 不满足
+          Welch's ANOVA
+```
+
+## 预先检验报告模板
+
+**论文中应报告**:
+
+"在进行参数检验前，我们使用 Shapiro-Wilk 检验验证了数据的正态性（方法 A: W = 0.96, p = 0.23; 方法 B: W = 0.95, p = 0.18），使用 Levene 检验验证了方差齐性（F = 1.23, p = 0.31）。所有检验均满足参数检验的假设条件。"
+
+**如果不满足假设**:
+
+"Shapiro-Wilk 检验显示数据不满足正态性假设（方法 A: W = 0.87, p = 0.01），因此我们使用非参数的 Mann-Whitney U 检验进行比较。"
+
+## 假设检验（参数检验）
+
+### 1. t-test（两组对比）
+
+**用途**: 比较两个方法的性能差异
+
+**假设条件**:
+- 数据服从正态分布
+- 方差齐性（独立样本 t-test）
+- 观测值独立
+
+#### 独立样本 t-test (Independent Samples t-test)
+
+**使用场景**: 比较两个独立组的均值
+- 例：方法 A vs 方法 B 在不同数据集上的性能
+
+**假设**:
+- H₀: μ₁ = μ₂（两组均值相等）
+- H₁: μ₁ ≠ μ₂（两组均值不等）
+
+**报告格式**: "方法 A (85.3% ± 2.1%) 显著优于方法 B (82.1% ± 1.8%), t(18) = 3.45, p = 0.003"
+
+**何时使用**: ✅ 两个独立组，满足正态性和方差齐性
+
+#### 配对样本 t-test (Paired Samples t-test)
+
+**使用场景**: 比较同一组对象在两种条件下的表现
+- 例：同一数据集上，方法 A vs 方法 B 的性能
+
+**假设**:
+- H₀: μd = 0（差值的均值为0）
+- H₁: μd ≠ 0（差值的均值不为0）
+
+**报告格式**: "在10个数据集上，方法 A 显著优于方法 B, t(9) = 4.23, p = 0.002"
+
+**何时使用**: ✅ 配对数据，同一对象的前后对比
+
+#### Welch's t-test
+
+**使用场景**: 两组方差不相等时
+- 例：方差齐性检验不通过（Levene's test p < 0.05）
+
+**优点**: 不假设方差相等，更鲁棒
+
+**报告格式**: "方法 A 显著优于方法 B, Welch's t(16.3) = 3.21, p = 0.005"
+
+**何时使用**: ✅ 方差齐性检验失败时的替代方案
+
+### 2. ANOVA（多组对比）
+
+**用途**: 同时比较三个或更多方法
+
+**假设条件**:
+- 数据服从正态分布
+- 方差齐性
+- 观测值独立
+
+#### 单因素 ANOVA (One-Way ANOVA)
+
+**使用场景**: 比较多个独立组的均值
+- 例：方法 A vs B vs C vs D 的性能对比
+
+**假设**:
+- H₀: μ₁ = μ₂ = μ₃ = ... = μk（所有组均值相等）
+- H₁: 至少有一组均值不同
+
+**报告格式**: "不同方法之间存在显著差异, F(3, 36) = 8.45, p < 0.001"
+
+**何时使用**: ✅ 三个或更多独立组
+
+**重要**: ANOVA 只告诉你"至少有一组不同"，需要事后检验找出具体哪些组不同。
+
+#### 重复测量 ANOVA (Repeated Measures ANOVA)
+
+**使用场景**: 同一组对象在多个条件下的表现
+- 例：同一数据集上，多个方法的性能对比
+
+**假设**:
+- H₀: 所有条件下的均值相等
+- H₁: 至少有一个条件的均值不同
+
+**报告格式**: "不同方法之间存在显著差异, F(3, 27) = 12.34, p < 0.001"
+
+**何时使用**: ✅ 配对数据，多个条件的对比
+
+#### 双因素 ANOVA (Two-Way ANOVA)
+
+**使用场景**: 研究两个因素的影响及其交互作用
+- 例：方法类型（因素1）× 数据集大小（因素2）对性能的影响
+
+**报告格式**:
+- "方法类型主效应显著, F(2, 54) = 15.23, p < 0.001"
+- "数据集大小主效应显著, F(2, 54) = 8.91, p < 0.001"
+- "交互作用不显著, F(4, 54) = 1.23, p = 0.31"
+
+**何时使用**: ✅ 研究多个因素及其交互作用
+
+#### Welch's ANOVA
+
+**使用场景**: 方差不齐时的 ANOVA 替代方案
+
+**报告格式**: "不同方法之间存在显著差异, Welch's F(3, 18.5) = 7.89, p = 0.002"
+
+**何时使用**: ✅ 方差齐性检验失败时
+
+### 3. 事后检验 (Post-hoc Tests)
+
+**目的**: ANOVA 显著后，找出具体哪些组不同
+
+**常用方法**:
+
+#### Tukey HSD (Honestly Significant Difference)
+
+**使用场景**: ANOVA 后的标准事后检验
+- **优点**: 控制家族错误率
+- **适用**: 各组样本量相等或接近
+- **报告**: "Tukey HSD 检验显示，方法 A 显著优于方法 B (p = 0.003) 和方法 C (p = 0.012)"
+
+**何时使用**: ✅ 默认选择，最常用
+
+#### Bonferroni 校正
+
+**使用场景**: 保守的事后检验
+- **优点**: 简单，控制家族错误率
+- **缺点**: 过于保守
+- **报告**: "Bonferroni 校正后，方法 A 显著优于方法 B (p = 0.002)"
+
+**何时使用**: ✅ 需要严格控制 Type I 错误时
+
+#### Scheffé 检验
+
+**使用场景**: 最保守的事后检验
+- **优点**: 适用于所有对比（包括复杂对比）
+- **缺点**: 功效最低
+- **报告**: "Scheffé 检验显示，方法 A 显著优于方法 B (p = 0.015)"
+
+**何时使用**: ✅ 需要进行复杂对比时
+
+#### Dunnett 检验
+
+**使用场景**: 多个实验组与一个对照组比较
+- **优点**: 专门设计用于与对照组比较
+- **报告**: "Dunnett 检验显示，方法 A、B、C 均显著优于基线方法 (p < 0.01)"
+
+**何时使用**: ✅ 有明确的对照组（基线方法）时
+
+## 假设检验（非参数检验）
+
+**何时使用非参数检验**:
+- 数据不满足正态分布假设
+- 样本量很小（n < 30）
+- 数据为序数或等级数据
+- 存在明显的异常值
+
+### 4. Wilcoxon 检验（配对数据）
+
+**用途**: 配对数据的非参数检验，t-test 的非参数替代
+
+**使用场景**: 同一数据集上，两个方法的性能对比
+- 例：10个数据集上，方法 A vs 方法 B
+
+**假设**:
+- H₀: 两组的中位数相等
+- H₁: 两组的中位数不等
+
+**报告格式**: "Wilcoxon 符号秩检验显示，方法 A 显著优于方法 B, Z = 2.81, p = 0.005"
+
+**何时使用**: ✅ 配对数据，不满足正态性假设
+
+### 5. Mann-Whitney U 检验（独立数据）
+
+**用途**: 独立样本的非参数检验，独立样本 t-test 的非参数替代
+
+**使用场景**: 两个独立组的性能对比
+- 例：方法 A 在数据集1上 vs 方法 B 在数据集2上
+
+**假设**:
+- H₀: 两组的分布相同
+- H₁: 两组的分布不同
+
+**报告格式**: "Mann-Whitney U 检验显示，方法 A 显著优于方法 B, U = 45, p = 0.012"
+
+**何时使用**: ✅ 独立样本，不满足正态性假设
+
+**别名**: Wilcoxon 秩和检验
+
+### 6. Kruskal-Wallis 检验（多组对比）
+
+**用途**: 多组独立样本的非参数检验，ANOVA 的非参数替代
+
+**使用场景**: 三个或更多方法的性能对比
+- 例：方法 A vs B vs C vs D
+
+**假设**:
+- H₀: 所有组的分布相同
+- H₁: 至少有一组的分布不同
+
+**报告格式**: "Kruskal-Wallis 检验显示，不同方法之间存在显著差异, H(3) = 15.23, p = 0.002"
+
+**何时使用**: ✅ 多组独立样本，不满足正态性假设
+
+**事后检验**: Dunn 检验（带 Bonferroni 校正）
+
+### 7. Friedman 检验（重复测量）
+
+**用途**: 配对数据的多组非参数检验，重复测量 ANOVA 的非参数替代
+
+**使用场景**: 同一数据集上，多个方法的性能对比
+- 例：10个数据集上，方法 A vs B vs C vs D
+
+**假设**:
+- H₀: 所有条件下的分布相同
+- H₁: 至少有一个条件的分布不同
+
+**报告格式**: "Friedman 检验显示，不同方法之间存在显著差异, χ²(3) = 18.45, p < 0.001"
+
+**何时使用**: ✅ 配对数据，多组对比，不满足正态性假设
+
+**事后检验**: Nemenyi 检验或 Wilcoxon 符号秩检验（带 Bonferroni 校正）
+
+### 8. Sign 检验
+
+**用途**: 最简单的配对数据非参数检验
+
+**使用场景**: 只关心方向（哪个更好），不关心差异大小
+- 例：方法 A 在多少个数据集上优于方法 B
+
+**假设**:
+- H₀: 正负差异的数量相等
+- H₁: 正负差异的数量不等
+
+**报告格式**: "Sign 检验显示，方法 A 在 10 个数据集中的 8 个上优于方法 B, p = 0.055"
+
+**何时使用**: ✅ 只关心胜负，不关心差异大小
+
+**优点**: 最鲁棒，对异常值不敏感
+**缺点**: 功效最低
+
+## 统计检验选择流程图
+
+```
+数据类型？
+  ↓
+配对数据？
+  ↓ 是
+  两组对比？
+    ↓ 是
+    正态性检验
+      ↓ 满足
+      配对 t-test
+      ↓ 不满足
+      Wilcoxon 符号秩检验
+    ↓ 否（多组）
+    正态性检验
+      ↓ 满足
+      重复测量 ANOVA
+      ↓ 不满足
+      Friedman 检验
+  ↓ 否（独立数据）
+  两组对比？
+    ↓ 是
+    正态性检验
+      ↓ 满足
+      方差齐性检验
+        ↓ 满足
+        独立 t-test
+        ↓ 不满足
+        Welch's t-test
+      ↓ 不满足
+      Mann-Whitney U 检验
+    ↓ 否（多组）
+    正态性检验
+      ↓ 满足
+      方差齐性检验
+        ↓ 满足
+        ANOVA + 事后检验
+        ↓ 不满足
+        Welch's ANOVA + Games-Howell
+      ↓ 不满足
+      Kruskal-Wallis + Dunn 检验
+```
+
+## 多重比较校正
+
+**问题**: 多次检验增加 Type I 错误（假阳性）概率
+
+**公式**: P(至少一次错误) = 1 - (1-α)^k，其中 k 为检验次数
+
+**常用方法**:
+
+| 方法 | 公式 | 保守程度 | 使用场景 |
+|------|------|----------|----------|
+| Bonferroni | α' = α/k | 最保守 | 少量检验 |
+| Holm-Bonferroni | 逐步校正 | 较保守 | 中等数量检验 |
+| FDR (Benjamini-Hochberg) | 控制错误发现率 | 较宽松 | 大量检验，探索性分析 |
+
+## 效应量
+
+**定义**: 衡量差异的实际大小，独立于样本量
+
+**常用指标**:
+
+| 效应量 | 适用场景 | 解释 |
+|--------|----------|------|
+| Cohen's d | t-test | \|d\| < 0.2 小，0.2-0.5 中，≥0.8 大 |
+| η² (Eta squared) | ANOVA | 0.01 小，0.06 中，0.14 大 |
+| r (相关系数) | 非参数检验 | 0.1 小，0.3 中，0.5 大 |
+
+**报告**: 必须同时报告 p-value 和效应量
+
+## 实验设计要点
+
+**重复次数**: 最少 3-5 次，推荐 5-10 次，高方差任务 10+ 次
+
+**随机种子**: 报告所有使用的随机种子，确保可重现
+
+**交叉验证**: k-fold (k=5 或 10) 用于评估泛化性能
+
+## 常见错误
+
+1. **Cherry-picking**: 只报告最好结果 → 报告所有实验
+2. **p-hacking**: 尝试多种分析找显著结果 → 预先确定方法
+3. **混淆 SD 和 SE**: 不说明使用哪个 → 明确标注
+4. **忽略多重比较**: 多次检验不校正 → 使用 Bonferroni/FDR
+5. **只报告 p-value**: 缺少效应量 → 同时报告两者
+
+## 报告检查清单
+
+- [ ] 报告均值和标准差/标准误（明确标注）
+- [ ] 报告实验重复次数
+- [ ] 执行预先检验（正态性、方差齐性）
+- [ ] 选择适当的统计检验
+- [ ] 报告完整统计信息（检验统计量、自由度、p-value）
+- [ ] 报告效应量
+- [ ] 多重比较进行校正
+- [ ] 说明随机种子设置
+
+## 参考资源
+
+- [Nature Statistics Checklist](https://www.nature.com/documents/nr-reporting-summary-flat.pdf)
+- [ASA Statement on P-Values](https://www.amstat.org/asa/files/pdfs/p-valuestatement.pdf)
+- [Reporting Statistics in Psychology](https://apastyle.apa.org/instructional-aids/numbers-statistics-guide.pdf)
+
+## 总结
+
+统计分析的核心原则：
+
+1. **预先检验** - 验证假设条件
+2. **完整报告** - 均值、标准差/标准误、样本量
+3. **适当检验** - 根据数据特征选择方法
+4. **多重校正** - 多次比较时校正 α
+5. **效应量** - 不只报告 p-value
+6. **可重现** - 提供足够细节
+
+遵循这些原则可以确保实验结果的统计严谨性和可信度。
diff --git a/.agents/skills/results-analysis/references/statistical-reporting.md b/.agents/skills/results-analysis/references/statistical-reporting.md
new file mode 100644
index 0000000..9719b36
--- /dev/null
+++ b/.agents/skills/results-analysis/references/statistical-reporting.md
@@ -0,0 +1,42 @@
+# Statistical Reporting Standard
+
+## Minimum reporting package
+
+For every major comparison, report:
+- metric definition and direction,
+- unit of analysis,
+- sample size / run count,
+- descriptive statistics,
+- uncertainty estimate,
+- inferential test,
+- effect size,
+- correction strategy when multiple contrasts exist,
+- limitation if assumptions or sample size are weak.
+
+## Required fields
+
+### Descriptive
+- `mean ± std` when repeated runs are comparable
+- `95% CI` when inference is discussed
+- median / IQR when distribution is strongly non-normal
+
+### Inferential
+- exact test name
+- test statistic and degrees of freedom when applicable
+- p-value format
+- effect size
+- correction method for multiple comparisons
+
+## Do not do these
+- report only best run
+- report only p-values
+- hide non-significant comparisons
+- treat unstable trends as conclusions
+- switch tests without stating why
+
+## Default wording rule
+
+Use three layers:
+1. **Observation** — what changed numerically
+2. **Support** — what the test/effect size says
+3. **Boundary** — what remains uncertain
diff --git a/.agents/skills/results-analysis/references/visualization-best-practices.md b/.agents/skills/results-analysis/references/visualization-best-practices.md
new file mode 100644
index 0000000..1571cba
--- /dev/null
+++ b/.agents/skills/results-analysis/references/visualization-best-practices.md
@@ -0,0 +1,269 @@
+# Visualization Best Practices for ML/AI Papers
+
+论文级可视化的最佳实践指南。
+
+## 核心原则
+
+1. **清晰性** - 信息传达清晰，无歧义
+2. **准确性** - 数据表示准确，不误导
+3. **可访问性** - 色盲友好，黑白打印可读
+4. **专业性** - 符合学术出版标准
+
+## 图表格式要求
+
+### 矢量图 vs 位图
+
+| 格式 | 类型 | 使用场景 | 质量 |
+|------|------|----------|------|
+| PDF/EPS | 矢量图 | 图表、曲线、示意图 | ✅ 推荐 |
+| SVG | 矢量图 | 网页展示 | ✅ 可用 |
+| PNG | 位图 | 照片、截图 | ⚠️ 需高分辨率（≥600 DPI） |
+| JPG | 位图 | 照片 | ❌ 避免用于图表 |
+
+**规则**: 所有图表使用矢量图格式（PDF/EPS），照片使用高分辨率位图（PNG ≥600 DPI）。
+
+## 配色方案
+
+### 色盲友好配色
+
+**推荐配色方案**:
+
+#### Okabe-Ito 配色（最常用）
+- 橙色: #E69F00
+- 天蓝: #56B4E9
+- 绿色: #009E73
+- 黄色: #F0E442
+- 蓝色: #0072B2
+- 红色: #D55E00
+- 粉色: #CC79A7
+- 黑色: #000000
+
+#### Paul Tol 配色
+- 适用于定性数据
+- 提供多种配色方案（亮色、柔和、对比）
+
+### 配色原则
+
+1. **最多使用 5-7 种颜色** - 过多颜色难以区分
+2. **避免红绿组合** - 红绿色盲无法区分
+3. **测试黑白打印** - 确保灰度下可读
+4. **使用不同线型** - 配合颜色使用（实线、虚线、点线）
+
+## 图表类型选择
+
+### 折线图 (Line Plot)
+
+**使用场景**: 展示趋势、训练曲线、时间序列
+
+**要点**:
+- 使用误差带（阴影区域）表示标准差/标准误
+- 线宽 1.5-2.0 pt
+- 标记点大小适中（4-6 pt）
+- 网格线透明度 0.3
+
+**示例**: 训练损失曲线、准确率随 epoch 变化
+
+### 柱状图 (Bar Plot)
+
+**使用场景**: 性能对比、消融实验
+
+**要点**:
+- 使用误差条表示不确定性
+- 柱子宽度一致
+- 间距适当（柱宽的 20-30%）
+- 加粗最佳结果的柱子
+
+**示例**: 不同方法的准确率对比
+
+### 箱线图 (Box Plot)
+
+**使用场景**: 展示分布、识别异常值
+
+**要点**:
+- 显示中位数、四分位数、异常值
+- 适合展示多次运行的结果
+- 可与散点图叠加
+
+**示例**: 多次运行的性能分布
+
+### 散点图 (Scatter Plot)
+
+**使用场景**: 展示相关性、聚类效果
+
+**要点**:
+- 点的大小和透明度适当
+- 使用不同形状区分类别
+- 添加趋势线（如需要）
+
+**示例**: 预测值 vs 真实值、特征空间可视化
+
+### 热力图 (Heatmap)
+
+**使用场景**: 混淆矩阵、相关性矩阵、注意力权重
+
+**要点**:
+- 使用顺序配色（单色渐变）或发散配色（双色渐变）
+- 添加数值标注（如空间允许）
+- 色条（colorbar）清晰标注
+
+**示例**: 混淆矩阵、注意力可视化
+
+## 图表元素规范
+
+### 坐标轴
+
+**X 轴和 Y 轴**:
+- 标签字体大小: 10-12 pt
+- 刻度字体大小: 8-10 pt
+- 标签清晰描述变量和单位
+- 刻度间距合理
+
+**坐标轴范围**:
+- Y 轴通常从 0 开始（除非有特殊原因）
+- 不要截断坐标轴夸大差异
+- 使用科学计数法表示大数值
+
+### 图例 (Legend)
+
+**位置**: 不遮挡数据，通常放在右上角或外部
+
+**内容**:
+- 简洁描述每条曲线/柱子
+- 字体大小 8-10 pt
+- 使用与图中一致的颜色和线型
+
+### 标题和标签
+
+**图标题**: 通常不在图内添加标题，使用 caption 代替
+
+**Caption**:
+- 独立完整，不依赖正文
+- 说明图表内容、实验设置、关键观察
+- 字体大小 9-10 pt
+
+**示例**: "图 1: 不同模型在测试集上的准确率对比。误差条表示 5 次运行的标准差。我们的方法（蓝色）在所有数据集上均优于基线方法。"
+
+## 误差表示
+
+### 误差条 (Error Bars)
+
+**类型**:
+- 标准差 (SD): 描述数据变异性
+- 标准误 (SE): 描述均值不确定性
+- 置信区间 (CI): 参数估计范围
+
+**表示方法**:
+- 柱状图: 垂直误差条
+- 折线图: 误差带（阴影区域）
+
+**必须说明**: 在 caption 中明确说明使用的是哪种误差
+
+### 误差带 (Error Band)
+
+**折线图的误差表示**:
+- 使用半透明阴影区域（alpha=0.2-0.3）
+- 颜色与主线一致
+- 不要使用误差条（会使图表混乱）
+
+## 尺寸和分辨率
+
+### 图表尺寸
+
+**单栏图** (single-column):
+- 宽度: 3.5 inches (约 9 cm)
+- 高度: 2-3 inches
+
+**双栏图** (double-column):
+- 宽度: 7 inches (约 18 cm)
+- 高度: 3-5 inches
+
+**纵横比**: 通常 4:3 或 16:9
+
+### 分辨率
+
+**矢量图**: 无需考虑分辨率
+
+**位图**:
+- 最低: 300 DPI
+- 推荐: 600 DPI
+- 高质量: 1200 DPI
+
+## 常见错误
+
+### 错误 1: 使用位图格式
+
+❌ **错误**: 保存为 PNG/JPG
+✅ **正确**: 保存为 PDF/EPS
+
+### 错误 2: 非色盲友好配色
+
+❌ **错误**: 红色和绿色组合
+✅ **正确**: 使用 Okabe-Ito 配色
+
+### 错误 3: 缺少误差表示
+
+❌ **错误**: 只显示均值
+✅ **正确**: 添加误差条/误差带
+
+### 错误 4: 坐标轴截断
+
+❌ **错误**: Y 轴从 80% 开始（夸大差异）
+✅ **正确**: Y 轴从 0% 开始（或说明原因）
+
+### 错误 5: 图表过于复杂
+
+❌ **错误**: 一张图包含 10+ 条曲线
+✅ **正确**: 拆分为多张图或使用子图
+
+### 错误 6: 字体过小
+
+❌ **错误**: 标签字体 6 pt
+✅ **正确**: 标签字体 10-12 pt
+
+## 检查清单
+
+提交前检查：
+
+- [ ] 使用矢量图格式（PDF/EPS）
+- [ ] 配色色盲友好（Okabe-Ito 或 Paul Tol）
+- [ ] 黑白打印可读（测试过）
+- [ ] 包含误差条/误差带
+- [ ] Caption 中说明误差类型
+- [ ] 坐标轴标签清晰（包含单位）
+- [ ] 图例不遮挡数据
+- [ ] 字体大小适当（≥8 pt）
+- [ ] 线宽适当（1.5-2.0 pt）
+- [ ] Caption 独立完整
+
+## 工具推荐
+
+**Python**:
+- matplotlib: 基础绘图
+- seaborn: 统计可视化
+- plotly: 交互式图表
+
+**配色工具**:
+- ColorBrewer: 配色方案选择
+- Coblis: 色盲模拟器
+
+**格式转换**:
+- Inkscape: SVG 编辑和转换
+- Adobe Illustrator: 专业图形编辑
+
+## 参考资源
+
+- [Ten Simple Rules for Better Figures](https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1003833)
+- [Okabe-Ito Color Palette](https://jfly.uni-koeln.de/color/)
+- [Paul Tol's Notes on Colour](https://personal.sron.nl/~pault/)
+
+## 总结
+
+论文级可视化的关键：
+
+1. **矢量图格式** - PDF/EPS
+2. **色盲友好** - Okabe-Ito 配色
+3. **误差表示** - 误差条/误差带
+4. **清晰标注** - 坐标轴、图例、caption
+5. **黑白可读** - 测试灰度打印
+
+遵循这些原则可以创建清晰、准确、专业的论文图表。