CATE-SNN

Il codice è attualmente in fase di validazione; potrebbero essere necessari aggiustamenti per ottenere una convergenza più rapida e stabile. Di seguito alcune indicazioni preliminari:

1. Rimozione di BatchNorm nella representation network
   Nel costruttore della rete di rappresentazione è presente una linea simile a:

   layers.append(nn.BatchNorm1d(hidden_dim))

   Commentare o rimuovere tale riga può agevolare la discesa della factual loss e della contrastive loss, evitando possibili effetti indesiderati del rumore di batch sulle repliche.

2. Normalizzazione a monte dei dati
   Si raccomanda di applicare una standardizzazione (ad esempio StandardScaler) o altra forma di normalizzazione sui features prima dell’input in rete, piuttosto che utilizzare BatchNorm interno. In questo modo i dati in ingresso risultano più “stabili” e favoriscono una migliore ottimizzazione.

3. Aggregazione delle loss e aggiornamento dei pesi
   Le loss (factual e contrastive) devono essere accumulate su tutte le repliche all’interno di un’epoca, chiamando poi:

   total_loss.backward()
   optimizer.step()

   una sola volta per epoca, anziché eseguire un backward() e uno step() dopo ogni realizzazione. Ciò garantisce aggiornamenti più robusti e coerenti con l’obiettivo di minimizzare la loss aggregata.