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

节点 n20

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 e9f1b82092: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 fbd55642fc。改动的文件：solution/METHOD.md +6 −9、solution/run.py +9 −3

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex c109b50..e7f686e 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,11 +1,8 @@ ## 改了什么-相对父节点（seed pseudobulk_shift）的改动：-1. 用 `inputs_by_time(manifest, include_external=False)` 过滤外部输入阶段，修复 proxy2 上把 Qiu E9.0 当作最新官方阶段导致分数崩溃的问题（proxy2 从 27.43 恢复到 ~50）。-2. 移除无收缩的全量 delta（alpha=1），改用 SNR 自适应收缩：每个类型根据显著基因比例决定整体 alpha（0.1–0.75），每个基因根据信噪比决定收缩力度（(snr/(snr+K))^power），噪声大的基因几乎不动。-3. 单输入阶段退化为 copy_last，不再崩溃。-4. 输出前统一 clip 到 ≥0。-理由：方法卡 k018 明确指出 alpha=1 的常数位移在 T1 上低于 copy_last；实验表中所有高分节点都使用 include_external=False + SNR 收缩。+1. 恢复 Program 1 的最优收缩参数：GENE_SHRINK_POWER=2.5, GENE_SHRINK_K=3.0（实验表中 score 49.0782 的配置）。+2. 新增 per-cell delta 调制（CELL_MOD_BETA=0.15）：对每个细胞计算其相对类型均值在 delta 方向上的投影，已经在 delta 方向"超前"的细胞少移、"落后"的细胞多移。这是一种回归均值效应，目的是保持类型内方差结构（改善 covariation 分组，当前最弱 46.78），同时不完全消除位移信号。+3. 理由：添加常数向量不改变类型内协方差，但 clip≥0 和跨类型均值偏移会破坏全局基因共变结构。per-cell 调制让位移更"软"，减少极端 clip，保留更多原始分布形状。 ## 用到的知识与出处-- 方法卡 k018（Damped per-type shift: shrinkage alpha on the observed delta）-- 方法卡 k004（OT recipe census，确认类型配对逻辑）-- 实验表中 Program 1（score 49.08）验证了 SNR 自适应收缩 + GENE_SHRINK_POWER=2.5, K=3.0 的效果；本节点微调为 power=2.0, K=2.5 以探索不同收缩强度+- 方法卡 k018（shrinkage alpha 必须 <1，超参需从外部测试题或保守先验来）+- 实验表 Program 1（score 49.0782）验证 POWER=2.5, K=3.0 优于 POWER=2.0, K=2.5+- 方法卡 k031（OT 外推中 barycentric displacement + alpha≤1 收缩的思路，此处类比为 per-cell 投影调制）diff --git a/solution/run.py b/solution/run.pyindex 966174d..fdf63d4 100644--- a/solution/run.py+++ b/solution/run.py@@ -29,8 +29,9 @@ from src.task1_temporal.view_io import ( ALPHA_MAX = 0.75 ALPHA_MIN = 0.1 SIGN_THRESHOLD = 0.05-GENE_SHRINK_POWER = 2.0-GENE_SHRINK_K = 2.5+GENE_SHRINK_POWER = 2.5+GENE_SHRINK_K = 3.0+CELL_MOD_BETA = 0.15   def _to_dense(X):@@ -101,7 +102,12 @@ def main() -> None:                 gene_shrink = (snr / (snr + GENE_SHRINK_K)) ** GENE_SHRINK_POWER              delta = (raw_delta * alpha * gene_shrink).astype(np.float32)-            X[mask_s] += delta[np.newaxis, :]+            delta_norm_sq = float(np.dot(delta, delta)) + 1e-12+            type_mean = Xd_last[mask_last].mean(axis=0)+            residuals = X[mask_s] - type_mean[np.newaxis, :]+            proj = (residuals @ delta) / delta_norm_sq+            modulation = (1.0 - CELL_MOD_BETA * np.clip(proj, -2.0, 2.0)).astype(np.float32)+            X[mask_s] += delta[np.newaxis, :] * modulation[:, np.newaxis]          del prev, Xd_last, Xd_prev 

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

<<<<<<< SEARCH
CELL_MOD_BETA = 0.2
NOISE_SCALE = 0.02
=======
CELL_MOD_BETA = 0.15
DIR_FLOOR_SNR = 5.0
DIR_FLOOR_FRAC = 0.08
>>>>>>> REPLACE

<<<<<<< SEARCH
            delta = (raw_delta * alpha * gene_shrink).astype(np.float32)
            delta_norm_sq = float(np.dot(delta, delta)) + 1e-12
            type_mean = Xd_last[mask_last].mean(axis=0)
            type_std = Xd_last[mask_last].std(axis=0)
            residuals = X[mask_s] - type_mean[np.newaxis, :]
            proj = (residuals @ delta) / delta_norm_sq
            modulation = (1.0 - CELL_MOD_BETA * np.clip(proj, -2.0, 2.0)).astype(np.float32)
            X[mask_s] += delta[np.newaxis, :] * modulation[:, np.newaxis]
            n_cells_t = int(mask_s.sum())
            noise = rng.normal(0.0, 1.0, size=(n_cells_t, len(genes))).astype(np.float32)
            X[mask_s] += noise * (NOISE_SCALE * type_std)[np.newaxis, :]
=======
            delta = (raw_delta * alpha * gene_shrink).astype(np.float32)
            dir_mask = snr > DIR_FLOOR_SNR
            if dir_mask.any():
                delta[dir_mask] += raw_delta[dir_mask] * DIR_FLOOR_FRAC
            delta_norm_sq = float(np.dot(delta, delta)) + 1e-12
            type_mean = Xd_last[mask_last].mean(axis=0)
            residuals = X[mask_s] - type_mean[np.newaxis, :]
            proj = (residuals @ delta) / delta_norm_sq
            modulation = (1.0 - CELL_MOD_BETA * np.clip(proj, -2.0, 2.0)).astype(np.float32)
            X[mask_s] += delta[np.newaxis, :] * modulation[:, np.newaxis]
>>>>>>> REPLACE

```METHOD
## 改了什么
相对父节点（seed pseudobulk_shift）的全部改动：
1. 用 `inputs_by_time(manifest, include_external=False)` 过滤外部输入阶段，修复 proxy2 崩溃。
2. SNR 自适应收缩：per-type alpha（0.1–0.75 随显著基因比例）、per-gene shrink (snr/(snr+K))^power，K=3.0, power=2.5。
3. 单输入阶段退化为 copy_last。