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

节点 n18

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 7c6f5263c8: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 +6 −10、solution/run.py +15 −3

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex a840a4e..a844c63 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,13 +1,9 @@ ## 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. 新增细胞级收缩（cell-level shrinkage）：对每个类型内的细胞，按其到类型均值的标准化距离计算权重，远离均值的细胞（outlier）获得较小的位移，靠近均值的细胞获得接近完整的位移。这保留了类型内的协方差结构，因为极端细胞不会被同等幅度地平移（平移后仍保持相对位置）。公式：w_i = 1/(1 + s * max(d_i/d_med - 1, 0))，其中 s=CELL_SHRINK_STRENGTH=0.3。+2. ALPHA_MAX 从 0.75 提高到 0.80，frac_significant 饱和阈值从 0.3 降到 0.25：cell-level shrinkage 提供了额外的正则化（outlier 自动少动），允许类型级 alpha 稍大以改善 direction 分数（上轮略降 1.48）。+3. 理由：covariation（46.18）是最弱组。均匀平移所有细胞虽然保持了形状，但对分布尾部的细胞施加与中心细胞相同的绝对位移会压缩相对差异。cell-level 收缩让尾部细胞少动，保持散度结构。  ## 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：per-gene empirical Bayes shrinkage 的思路推广到 per-cell 维度。+- 父节点 ANALYSIS lessons：covariation 是主要提升空间；噪声注入有害，故用确定性权重而非随机扰动。+- 方向库 T1-12（保协方差的生成）：真实细胞锚 + 残差保持的思想，此处简化为按距离加权位移。diff --git a/solution/run.py b/solution/run.pyindex 4e6effd..25419a1 100644--- a/solution/run.py+++ b/solution/run.py@@ -28,10 +28,11 @@ from src.task1_temporal.view_io import (     write_prediction, ) -ALPHA_MAX = 0.75+ALPHA_MAX = 0.80 ALPHA_MIN = 0.1 SIGN_THRESHOLD = 0.05 GENE_SHRINK_POWER = 1.5+CELL_SHRINK_STRENGTH = 0.3   def _to_dense(X):@@ -56,11 +57,21 @@ def _adaptive_alpha(delta, gene_var_last, gene_var_prev, n_last, n_prev):     frac_significant = significant.mean()     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)+    alpha = ALPHA_MIN + (ALPHA_MAX - ALPHA_MIN) * min(frac_significant / 0.25, 1.0)     gene_shrink = (snr / (snr + 2.0)) ** GENE_SHRINK_POWER     return alpha, gene_shrink  +def _cell_level_weights(X_type, type_mean, rng):+    diff = X_type - type_mean+    gene_var = np.var(X_type, axis=0) + 1e-8+    standardized = diff / np.sqrt(gene_var)+    dist_sq = np.mean(standardized**2, axis=1)+    median_dist = np.median(dist_sq) + 1e-8+    weights = 1.0 / (1.0 + CELL_SHRINK_STRENGTH * np.maximum(dist_sq / median_dist - 1.0, 0.0))+    return weights++ def main() -> None:     parser = argparse.ArgumentParser()     parser.add_argument("--data", required=True)@@ -112,7 +123,8 @@ def main() -> None:         for t in np.unique(labels_sampled):             mask = labels_sampled == t             if t in deltas:-                X[mask] += deltas[t]+                cell_weights = _cell_level_weights(X[mask], means_last[t], rng)+                X[mask] += deltas[t][np.newaxis, :] * cell_weights[:, np.newaxis]      np.clip(X, 0.0, None, out=X)     write_prediction(X, genes, args.out, seed=args.seed)

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

stream

Looking at the results:
- Round 0 (CELL_SHRINK=0.3, no VAR_TREND): score 48.98, X3 46.14, covariation 46.78
- Round 1 (CELL_SHRINK=0.15, VAR_TREND=0.2): score 48.94, X3 46.01, covariation 46.56

VAR_TREND is hurting. I'll remove it, keep cell shrink at 0.2, and add a floor to gene_shrink to help de_recovery.

<<<<<<< SEARCH
CELL_SHRINK_STRENGTH = 0.15
VAR_TREND_STRENGTH = 0.2
=======
CELL_SHRINK_STRENGTH = 0.2
GENE_SHRINK_FLOOR = 0.15
>>>>>>> REPLACE

<<<<<<< SEARCH
    gene_shrink = (snr / (snr + 2.0)) ** GENE_SHRINK_POWER
    return alpha, gene_shrink
=======
    gene_shrink = np.maximum((snr / (snr + 2.0)) ** GENE_SHRINK_POWER, GENE_SHRINK_FLOOR)
    return alpha, gene_shrink
>>>>>>> REPLACE

<<<<<<< SEARCH
                alpha, gene_shrink = _adaptive_alpha(raw_delta, var_last, var_prev, n_last, n_prev)
                var_ratio = np.log2((var_last + 1e-6) / (var_prev + 1e-6))
                var_mod = 1.0 + VAR_TREND_STRENGTH * np.clip(var_ratio, -2.0, 2.0)
                deltas[t] = raw_delta * alpha * gene_shrink * var_mod
=======
                alpha, gene_shrink = _adaptive_alpha(raw_delta, var_last, var_prev, n_last, n_prev)
                deltas[t] = raw_delta * alpha * gene_shrink
>>>>>>> REPLACE

```METHOD
## 改了什么
1. 移除方差趋势调制（VAR_TREND_STRENGTH）：第 1 轮实验显示该特征使 covariation 从 46.78 降至 46.56、X3 从 46.14 降至 46.01，整体分数从 48.98 降至 48.94。方差比信号在当前规模下引入噪声而非方向信息。
2. CELL_SHRINK_STRENGTH 从 0.15 调至 0.2：第 0 轮（0.3）covariation 最佳（46.78），第 1 轮（0.15）略降（46.56），取中间值 0.2 平衡 covariation 与 de_recovery。
3. 新增 GENE_SHRINK_FLOOR=0.15：给 per-gene shrinkage 设下限，使低 SNR 基因仍获得至少 15% 的位移。这保护 de_recovery（第 0/1 轮均从 49.15 降至 48.97），因为 DE 基因可能因样本量小而 SNR 不高，但仍有真实信号。
4. 理由：de_recovery 下降说明 per-gene shrinkage 对部分有信号基因过度压缩；X3 下降与 VAR_TREND 引入的噪声相关。

## 用到的知识与出处