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

节点 n25

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 d3260214e7: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 −11、solution/run.py +15 −4

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex a840a4e..28ab89d 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,13 +1,10 @@ ## 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. 引入符号不一致处理（sign disagreement）：当某类型的加权方向一致性超过阈值时，对与主导方向相反的基因额外乘以 0.92 收缩因子。这防止基因向矛盾方向移动，保护基因间共变结构（covariation 组）。+2. GENE_SHRINK_POWER 从 1.5 提升到 2.5：更激进地压缩低信噪比基因的位移，减少噪声基因对协方差结构的扰动。+3. GENE_SHRINK_K 从 2.0 提升到 3.0：使收缩曲线更平缓，中等信噪比基因获得更多保留。+4. SNR_SIGNIFICANT_THRESHOLD 从 2.0 降到 1.5：更多基因被计为显著变化，使 per-type alpha 更积极地利用信号。+5. ALPHA_MAX 从 0.75 提升到 0.80：配合更激进的 per-gene 收缩，允许高信号类型有更大位移空间。 ## 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 使噪声基因少动。+- 实验表 Program 1（node 19/22，score 49.18）：sign disagreement + power 2.5 + K=3.0 的组合在 covariation 上达到 47.94（本节点 46.18），是主要差距来源。+- 父节点 ANALYSIS 建议：针对 covariation 组做参数网格。diff --git a/solution/run.py b/solution/run.pyindex 4e6effd..5c8d92d 100644--- a/solution/run.py+++ b/solution/run.py@@ -28,10 +28,14 @@ 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 = 0.92+SIGN_DISAGREE_THRESHOLD = 0.35+SNR_SIGNIFICANT_THRESHOLD = 1.5   def _to_dense(X):@@ -52,12 +56,19 @@ def _per_type_means(X, labels): def _adaptive_alpha(delta, gene_var_last, gene_var_prev, n_last, n_prev):     noise_se = np.sqrt(gene_var_last / max(n_last, 1) + gene_var_prev / max(n_prev, 1) + 1e-12)     snr = np.abs(delta) / (noise_se + 1e-12)-    significant = snr > 2.0+    significant = snr > SNR_SIGNIFICANT_THRESHOLD     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)-    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(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(delta) != dominant_sign+        gene_shrink = gene_shrink.copy()+        gene_shrink[disagree] *= SIGN_DISAGREE_FACTOR     return alpha, gene_shrink  

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 (power=2.5, K=3.0, no floor) scored 49.31 vs Round 1 (power=2.0, K=2.5, floor=0.10) scored 49.05. The floor hurt covariation significantly (48.69→47.35). I'll revert to Round 0 parameters and add a high-SNR boost to recover de_recovery without sacrificing covariation.

<<<<<<< SEARCH
ALPHA_MAX = 0.80
ALPHA_MIN = 0.1
SIGN_THRESHOLD = 0.05
GENE_SHRINK_POWER = 2.0
GENE_SHRINK_K = 2.5
GENE_SHRINK_FLOOR = 0.10
SIGN_DISAGREE_FACTOR = 0.92
SIGN_DISAGREE_THRESHOLD = 0.30
SNR_SIGNIFICANT_THRESHOLD = 1.5
=======
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 = 0.95
SIGN_DISAGREE_THRESHOLD = 0.35
SNR_SIGNIFICANT_THRESHOLD = 1.5
SNR_BOOST_THRESHOLD = 8.0
SNR_BOOST_RATE = 0.06
>>>>>>> REPLACE

<<<<<<< SEARCH
def _adaptive_alpha(delta, gene_var_last, gene_var_prev, n_last, n_prev):
    noise_se = np.sqrt(gene_var_last / max(n_last, 1) + gene_var_prev / max(n_prev, 1) + 1e-12)
    snr = np.abs(delta) / (noise_se + 1e-12)
    significant = snr > SNR_SIGNIFICANT_THRESHOLD
    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)
    gene_shrink = np.maximum(
        (snr / (snr + GENE_SHRINK_K)) ** GENE_SHRINK_POWER, GENE_SHRINK_FLOOR
    )
    weighted_sign = np.sum(np.sign(delta) * snr)
    total_snr = snr.sum() + 1e-12
    if abs(weighted_sign) > SIGN_DISAGREE_THRESHOLD * total_snr: