总览 · ← 返回运行 20261001-233757-search-t1-abc-r0-C-native

节点 n13

改了什么

方法说明?节点程序自带的 METHOD.md：这个程序做了什么、为什么。

来自 programs.git 92f8ec1c52:solution/METHOD.md

调研员的计划

代码改动?这个节点的程序和父节点程序的逐行差别：绿色是新增，红色是删除。

对比：父节点版本 02f78f7bcd。改动的文件：solution/METHOD.md +8 −10、solution/run.py +25 −19

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex a840a4e..2d2dff5 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,13 +1,11 @@ ## 改了什么-1. 关键修复：使用 `inputs_by_time(manifest, include_external=False)` 排除外部阶段（Qiu E9.0），避免 proxy2 中错误地以外部心脏数据为预测基底。若无官方阶段则回退到全部输入（兼容 X3 测试题）。-2. 按类型自适应收缩：对每个细胞类型，计算其 delta 的逐基因信噪比（|delta| / SE），统计显著变化基因的比例，据此在 [ALPHA_MIN, ALPHA_MAX] 区间内分配该类型的收缩系数。-3. 新增逐基因收缩（per-gene shrinkage）：在每个类型内部，对每个基因按其 SNR 计算收缩权重 (snr/(snr+2))^1.5，噪声大的基因位移被压缩，信号强的基因保留更多位移。这保护了协方差结构（不移动噪声基因），同时聚焦信号。-4. 移除第 1 轮添加的高斯噪声（实测证明噪声损害了 covariation 和 X3）。-5. ALPHA_MAX 从 0.8 微调到 0.75：per-gene shrinkage 已提供额外的正则化，略降上限避免过冲。+1. GENE_SHRINK_POWER 从 2.0 提升到 2.5：更激进地压缩低 SNR 基因的位移。第 1 轮实验表明 1.5→2.0 使 covariation 从 46.18 提升到 47.31（+1.13），继续此方向。+2. 基因收缩分母从 2.0 改为 3.0：使 (snr/(snr+k))^power 曲线对中等 SNR 基因的收缩更强，只有高 SNR 基因才保留大部分位移。这进一步保护协方差结构，因为噪声基因的微小位移会累积破坏基因间相关性。+3. 保留 ALPHA_MAX=0.75、ALPHA_MIN=0.1、SIGN_THRESHOLD=0.05 不变。+4. 保留稀疏按类型统计和均匀采样。  ## 用到的知识与出处-- 方法卡 k018：官方常数位移（alpha=1）在 T1 上低于 copy_last，需要收缩；可选逐基因经验贝叶斯收缩使噪声基因少动。-- 方法卡 T1 卡「平移幅度」段：α∈[0,1]，不能默认 α=1。-- 实验表：父节点 proxy2=27.43 的根因是未过滤外部阶段。-- 第 1 轮实验：噪声注入（NOISE_SCALE=0.02）使 covariation 从 44.94 降至 43.23，X3 从 45.05 降至 44.25，故移除。-- per-gene shrinkage 思路来自 k018 的"Optionally shrink per gene (empirical Bayes on the delta's variance)"，但此处与 per-type adaptive alpha 组合，区别于 Program 1（uniform alpha + per-gene EB）。+- 方法卡 k018：逐基因经验贝叶斯收缩使噪声基因少动；收缩强度由 power 和分母控制。+- 第 1 轮实验：GENE_SHRINK_POWER 1.5→2.0 使 covariation +1.13，方向正确。+- 父节点 ANALYSIS next_suggestions：GENE_SHRINK_POWER 网格搜索。+- 实验表教训：不做激进变换（第 0 轮 per-cell scaling 破坏 X3）。diff --git a/solution/run.py b/solution/run.pyindex 4e6effd..633aa1e 100644--- a/solution/run.py+++ b/solution/run.py@@ -31,7 +31,8 @@ from src.task1_temporal.view_io import ( ALPHA_MAX = 0.75 ALPHA_MIN = 0.1 SIGN_THRESHOLD = 0.05-GENE_SHRINK_POWER = 1.5+GENE_SHRINK_POWER = 2.5+GENE_SHRINK_K = 3.0   def _to_dense(X):@@ -40,13 +41,23 @@ def _to_dense(X):     return np.asarray(X, dtype=np.float32)  -def _per_type_means(X, labels):-    Xd = _to_dense(X)+def _per_type_stats_sparse(X, labels):     types = np.unique(labels)     means = {}+    variances = {}     for t in types:-        means[t] = Xd[labels == t].mean(axis=0)-    return means+        mask = labels == t+        n = mask.sum()+        if n == 0:+            continue+        sub = X[mask]+        if sparse.issparse(sub):+            sub = np.asarray(sub.todense(), dtype=np.float32)+        else:+            sub = np.asarray(sub, dtype=np.float32)+        means[t] = sub.mean(axis=0)+        variances[t] = sub.var(axis=0)+    return means, variances   def _adaptive_alpha(delta, gene_var_last, gene_var_prev, n_last, n_prev):@@ -57,7 +68,7 @@ def _adaptive_alpha(delta, gene_var_last, gene_var_prev, n_last, n_prev):     if frac_significant < SIGN_THRESHOLD:         return ALPHA_MIN, np.ones_like(delta)     alpha = ALPHA_MIN + (ALPHA_MAX - ALPHA_MIN) * min(frac_significant / 0.3, 1.0)-    gene_shrink = (snr / (snr + 2.0)) ** GENE_SHRINK_POWER+    gene_shrink = (snr / (snr + GENE_SHRINK_K)) ** GENE_SHRINK_POWER     return alpha, gene_shrink  @@ -85,28 +96,23 @@ def main() -> None:         labels_last = labels_of(last)         labels_prev = labels_of(prev) -        means_last = _per_type_means(last.X, labels_last)-        means_prev = _per_type_means(prev.X, labels_prev)--        Xd_last = _to_dense(last.X)-        Xd_prev = _to_dense(prev.X)+        means_last, vars_last = _per_type_stats_sparse(last.X, labels_last)+        means_prev, vars_prev = _per_type_stats_sparse(prev.X, labels_prev)          deltas = {}         for t in means_last:             if t in means_prev:                 raw_delta = means_last[t] - means_prev[t]-                mask_last = labels_last == t-                mask_prev = labels_prev == t-                n_last = mask_last.sum()-                n_prev = mask_prev.sum()-                var_last = Xd_last[mask_last].var(axis=0)-                var_prev = Xd_prev[mask_prev].var(axis=0)-                alpha, gene_shrink = _adaptive_alpha(raw_delta, var_last, var_prev, n_last, n_prev)+                n_last = (labels_last == t).sum()+                n_prev = (labels_prev == t).sum()+                alpha, gene_shrink = _adaptive_alpha(+                    raw_delta, vars_last[t], vars_prev[t], n_last, n_prev+                )                 deltas[t] = raw_delta * alpha * gene_shrink             else:                 deltas[t] = np.zeros(len(genes), dtype=np.float32) -        del prev, Xd_last, Xd_prev+        del prev          labels_sampled = labels_last[rows]         for t in np.unique(labels_sampled):

调研来源?调研员查到并用到的知识条目和文献检索结果（只列标题和编号）。

没有记录调研来源。

分析结果?分析员写的 ANALYSIS.json：改了什么、各组分数怎么变、假设是否成立、经验和下一步建议。

对话摘要?每个角色和大模型对话的统计：轮数、工具调用、用时、token 数和最后的回答摘录；原始记录只给路径。

只给统计和最后回答的摘录；完整对话请到原始记录位置里列出的文件看。

分析员

ANALYSIS.json written

native

审查员

JSON valid: verdict `pass`, 6 reasons covering all checks.

REVIEW.json written

stream

Looking at Round 1 results: score 49.12 (up from 48.83). GENE_SHRINK_POWER=2.0 helped covariation (+1.13) with minimal impact elsewhere. The weakest group remains covariation (47.31). I'll push gene-level shrinkage more aggressively to further protect covariance structure.

```METHOD
## 改了什么
1. GENE_SHRINK_POWER 从 2.0 提升到 2.5：更激进地压缩低 SNR 基因的位移。第 1 轮实验表明 1.5→2.0 使 covariation 从 46.18 提升到 47.31（+1.13），继续此方向。
2. 基因收缩分母从 2.0 改为 3.0：使 (snr/(snr+k))^power 曲线对中等 SNR 基因的收缩更强，只有高 SNR 基因才保留大部分位移。这进一步保护协方差结构，因为噪声基因的微小位移会累积破坏基因间相关性。
3. 保留 ALPHA_MAX=0.75、ALPHA_MIN=0.1、SIGN_THRESHOLD=0.05 不变。
4. 保留稀疏按类型统计和均匀采样。

## 用到的知识与出处
- 方法卡 k018：逐基因经验贝叶斯收缩使噪声基因少动；收缩强度由 power 和分母控制。
- 第 1 轮实验：GENE_SHRINK_POWER 1.5→2.0 使 covariation +1.13，方向正确。
- 父节点 ANALYSIS next_suggestions：GENE_SHRINK_POWER 网格搜索。
- 实验表教训：不做激进变换（第 0 轮 per-cell scaling 破坏 X3）。
```

<<<<<<< SEARCH
ALPHA_MAX = 0.75
ALPHA_MIN = 0.1
SIGN_THRESHOLD = 0.05
GENE_SHRINK_POWER = 2.0
=======
ALPHA_MAX = 0.75
ALPHA_MIN = 0.1
SIGN_THRESHOLD = 0.05
GENE_SHRINK_POWER = 2.5
GENE_SHRINK_K = 3.0
>>>>>>> REPLACE

<<<<<<< SEARCH
    gene_shrink = (snr / (snr + 2.0)) ** GENE_SHRINK_POWER
=======
    gene_shrink = (snr / (snr + GENE_SHRINK_K)) ** GENE_SHRINK_POWER
>>>>>>> REPLACE