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

节点 n22

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 a00b55ccea: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 +8 −8、solution/run.py +14 −4

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex c109b50..57dc8d9 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,11 +1,11 @@ ## 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。+相对父节点（node 17，score 48.94）的全部改动：+1. 加入 sign disagreement detection：SNR 加权方向一致性检测，与主导方向相反的基因额外收缩。相比第 0 轮（factor=0.80, threshold=0.22），本轮大幅放宽为 factor=0.92, threshold=0.35，减少对 DE 基因的过度压制（第 0 轮 de_recovery 从 49.15 降到 48.70，X3 从 46.74 降到 46.50）。+2. GENE_SHRINK_POWER 从 2.0 改为 2.5，GENE_SHRINK_K 从 2.5 改为 3.0（采用 Program 1 参数），更激进地收缩低 SNR 基因，提升 covariation 和 X3。+3. SNR 显著性阈值从 2.0 降到 1.5，ALPHA_MAX 从 0.75 提到 0.80。+4. 保留 include_external=False 过滤、单阶段退化为 copy_last、输出前 clip≥0。+理由：Program 1（power=2.5, K=3.0, 无 sign disagreement）在 X3 上得 47.21、covariation 47.94，均优于第 0 轮（46.50、47.69）。本轮采用 Program 1 的收缩参数，仅保留极温和的 sign disagreement（0.92/0.35），期望兼顾 cell_state 增益与 de_recovery/X3 恢复。 ## 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+- 实验表 Program 1（node 19，score 49.18）：验证了 power=2.5, K=3.0, SNR_SIGNIFICANT_THRESHOLD=1.5, ALPHA_MAX=0.80 的效果+- 第 0 轮反馈：sign disagreement factor=0.80 导致 de_recovery -0.45、X3 -0.24，需放宽diff --git a/solution/run.py b/solution/run.pyindex 966174d..f824743 100644--- a/solution/run.py+++ b/solution/run.py@@ -26,11 +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 = 2.0-GENE_SHRINK_K = 2.5+GENE_SHRINK_POWER = 2.5+GENE_SHRINK_K = 3.0+SIGN_DISAGREE_FACTOR = 0.92+SIGN_DISAGREE_THRESHOLD = 0.35+SNR_SIGNIFICANT_THRESHOLD = 1.5   def _to_dense(X):@@ -88,7 +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:@@ -99,6 +102,13 @@ def main() -> None:                     frac_significant / 0.3, 1.0                 )                 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

我来仔细分析当前分数与最优方案之间的差距：

- **当前第1轮得分：49.31**
- **Program 1 最优：49.18**（在A-half分数上我们已领先，但需验证B-half）
- **Program 2：49.08**

## 各维度分析

| 维度 | 当前 | Program 1 | 差距 |
|------|------|-----------|------|
| cell_state | 50.11 | 49.84 | +0.27 ✓ |
| covariation | 48.69 | 47.94 | +0.75 ✓ |
| de_recovery | 48.70 | 48.76 | -0.06 |
| direction | 49.46 | 49.48 | -0.02 |
| X3 | 47.13 | 47.21 | -0.08 |

## 瓶颈定位

**de_recovery 和 direction** 是当前最弱的两个维度，且与 Program 1 基本持平。X3 也略低于 Program 1。这说明我们需要在这三个维度上找到新的提升点。

## 关键洞察

1. **de_recovery** 衡量的是差异表达基因的恢复能力。当前 sign disagreement 机制（即使放宽到 0.92）仍在压制部分 DE 基因的位移。
2. **direction** 衡量的是整体表达变化方向的正确性。Program 1 的 ANALYSIS 中提到："对高 SNR 基因减少收缩"可能改善 direction。
3. **X3** 是外部测试题，需要方法具有更好的泛化性。

## 改进策略

### 策略 1：对高 SNR 基因放宽收缩（针对 direction 和 de_recovery）

当前 `(snr / (snr + K))^power` 对高 SNR 基因仍有收缩。我们可以对超高 SNR 基因（如 snr > 5）完全不收缩，保留其完整位移方向。

### 策略 2：移除 sign disagreement（针对 de_recovery）

第 0 轮加 0.80 时 de_recovery 掉 0.45，第 1 轮改 0.92 后 de_recovery 仍比 Program 1 低 0.06。完全移除可能让 de_recovery 回到 Program 1 水平。

### 策略 3：温和的方差感知缩放（针对 covariation）

在位移时考虑基因自身方差：高方差基因位移后更容易被 clip 到 0，破坏协方差结构。可以按 `1/(1 + cv^2)` 缩放，减少高变异基因的位移幅度。