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

节点 n19

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 7563cb32d0: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 4c2e81d462。改动的文件：solution/METHOD.md +2 −2、solution/run.py +15 −4

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 46c39bc..7493115 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,4 +1,4 @@ ## 改了什么-将固定 ALPHA=0.5 替换为逐类型自适应收缩：计算每个类型中 SNR>2 的基因比例（frac_significant），据此在 [0.1, 0.75] 间插值类型级 alpha；同时用 (snr/(snr+2))^1.5 作为逐基因收缩因子，对低信噪比基因更强压缩。相比父节点的固定 alpha + 线性收缩，这更激进地抑制噪声基因位移（改善 covariation），同时对有真实变化的类型允许更大幅度平移（改善 direction 和 X3）。+相对父节点（48.83）的全部改动：1) GENE_SHRINK_POWER 1.5→2.5，GENE_SHRINK_K=3.0（与实验表 Program 1 一致）；2) 新增符号一致性过滤（按 SNR 加权判断主导方向，对方向不一致基因施加惩罚）；3) ALPHA_MAX 0.75→0.80。相对第 1 轮（49.17）：4) SIGN_DISAGREE_FACTOR 从 0.55 放宽到 0.80，大幅减轻对反向 DE 基因的压制以恢复 de_recovery（第 0/1 轮 de_recovery 48.83 低于父节点 49.15）；5) SNR 显著性阈值从 2.0 降到 1.5，使更多基因被判为显著从而提高类型级 alpha，增加有效位移幅度以改善 de_recovery。 ## 用到的知识与出处-方法卡 k018：α∈[0,1] 不能默认 1，逐基因收缩让噪声基因少动。实验表 Program 1（48.83）验证了自适应 alpha + power shrinkage 组合在 covariation（46.18）和 X3（46.39）上的优势。+方法卡 k018：逐基因收缩让噪声基因少动。父节点 ANALYSIS next_suggestions：符号一致性过滤改善 direction。实验表 Program 1（49.08）验证 power=2.5/K=3.0。第 0/1 轮反馈：符号过滤提升 covariation 但压低 de_recovery，需放宽惩罚力度。diff --git a/solution/run.py b/solution/run.pyindex 31fbe4a..514cd76 100644--- a/solution/run.py+++ b/solution/run.py@@ -26,10 +26,14 @@ 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+GENE_SHRINK_POWER = 2.5+GENE_SHRINK_K = 3.0+SIGN_DISAGREE_FACTOR = 0.80+SIGN_DISAGREE_THRESHOLD = 0.22+SNR_SIGNIFICANT_THRESHOLD = 1.5   def _to_dense(X):@@ -87,7 +91,7 @@ def main() -> None:                 var_last / max(n_last, 1) + var_prev / max(n_prev, 1) + 1e-12             )             snr = np.abs(raw_delta) / (noise_se + 1e-12)-            significant = snr > 2.0+            significant = snr > SNR_SIGNIFICANT_THRESHOLD             frac_significant = significant.mean()              if frac_significant < SIGN_THRESHOLD:@@ -97,7 +101,14 @@ def main() -> None:                 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+                weighted_sign = np.sum(np.sign(raw_delta) * snr)+                total_snr = snr.sum() + 1e-12+                if abs(weighted_sign) > SIGN_DISAGREE_THRESHOLD * total_snr:+                    dominant_sign = np.sign(weighted_sign)+                    disagree = np.sign(raw_delta) != dominant_sign+                    gene_shrink = gene_shrink.copy()+                    gene_shrink[disagree] *= SIGN_DISAGREE_FACTOR              delta = (raw_delta * alpha * gene_shrink).astype(np.float32)             X[mask_s] += delta[np.newaxis, :]

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

REVIEW.json written

stream

<<<<<<< SEARCH
ALPHA_MAX = 0.80
ALPHA_MIN = 0.1
SIGN_THRESHOLD = 0.05
GENE_SHRINK_POWER = 2.5
GENE_SHRINK_K = 3.0
SIGN_DISAGREE_FACTOR = 0.55
SIGN_DISAGREE_THRESHOLD = 0.22
=======
ALPHA_MAX = 0.80
ALPHA_MIN = 0.1
SIGN_THRESHOLD = 0.05
GENE_SHRINK_POWER = 2.5
GENE_SHRINK_K = 3.0
SIGN_DISAGREE_FACTOR = 0.80
SIGN_DISAGREE_THRESHOLD = 0.22
SNR_SIGNIFICANT_THRESHOLD = 1.5
>>>>>>> REPLACE

<<<<<<< SEARCH
            snr = np.abs(raw_delta) / (noise_se + 1e-12)
            significant = snr > 2.0
            frac_significant = significant.mean()
=======
            snr = np.abs(raw_delta) / (noise_se + 1e-12)
            significant = snr > SNR_SIGNIFICANT_THRESHOLD
            frac_significant = significant.mean()
>>>>>>> REPLACE

```METHOD
## 改了什么
相对父节点（48.83）的全部改动：1) GENE_SHRINK_POWER 1.5→2.5，GENE_SHRINK_K=3.0（与实验表 Program 1 一致）；2) 新增符号一致性过滤（按 SNR 加权判断主导方向，对方向不一致基因施加惩罚）；3) ALPHA_MAX 0.75→0.80。相对第 1 轮（49.17）：4) SIGN_DISAGREE_FACTOR 从 0.55 放宽到 0.80，大幅减轻对反向 DE 基因的压制以恢复 de_recovery（第 0/1 轮 de_recovery 48.83 低于父节点 49.15）；5) SNR 显著性阈值从 2.0 降到 1.5，使更多基因被判为显著从而提高类型级 alpha，增加有效位移幅度以改善 de_recovery。
## 用到的知识与出处
方法卡 k018：逐基因收缩让噪声基因少动。父节点 ANALYSIS next_suggestions：符号一致性过滤改善 direction。实验表 Program 1（49.08）验证 power=2.5/K=3.0。第 0/1 轮反馈：符号过滤提升 covariation 但压低 de_recovery，需放宽惩罚力度。
```