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

节点 n32 在终选来历上

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 8072472c25: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 +7 −10、solution/run.py +40 −7

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex a840a4e..205b747 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. 修复崩溃：将 `del prev, Xd_last, Xd_prev` 从逐细胞缩放循环之前移到之后。第 1 轮引入的逐细胞缩放需要 `Xd_last` 计算类型质心，但原位置在循环前就删除了它，导致 X3 视图（单阶段回退路径不进入此分支，但两阶段路径触发）报 UnboundLocalError。+2. 保留第 0 轮全部改动（ALPHA_MAX=0.80、GENE_SHRINK_POWER=2.0、GENE_SHRINK_K=3.0、SNR_SIGNIFICANT_THRESHOLD=1.5、符号不一致处理）。+3. 保留第 1 轮的逐细胞缩放（CELL_SCALE_MIN=0.7, CELL_SCALE_MAX=1.3）和放宽的符号不一致参数（SIGN_DISAGREE_FACTOR=0.95, SIGN_DISAGREE_THRESHOLD=0.40）。  ## 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）。+- 第 1 轮崩溃日志：`UnboundLocalError: cannot access local variable 'Xd_last'`，原因是 `del` 在使用前执行。+- 方法卡 k018：逐基因经验贝叶斯收缩使噪声基因少动，保护协方差。+- 实验表 Program 1（node 22/23）：GENE_SHRINK_POWER=2.5、K=3.0、符号不一致处理在 covariation 上优于本节点父代。+- 任务书 §5：预测的是一群细胞，要保留群体的分布、比例和基因之间的共变结构。diff --git a/solution/run.py b/solution/run.pyindex 4e6effd..8107870 100644--- a/solution/run.py+++ b/solution/run.py@@ -28,10 +28,16 @@ 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 = 2.0+GENE_SHRINK_K = 3.0+SNR_SIGNIFICANT_THRESHOLD = 1.5+SIGN_DISAGREE_FACTOR = 0.95+SIGN_DISAGREE_THRESHOLD = 0.40+CELL_SCALE_MAX = 1.3+CELL_SCALE_MIN = 0.7   def _to_dense(X):@@ -52,12 +58,19 @@ 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  @@ -106,13 +119,33 @@ def main() -> None:             else:                 deltas[t] = np.zeros(len(genes), dtype=np.float32) -        del prev, Xd_last, Xd_prev-         labels_sampled = labels_last[rows]         for t in np.unique(labels_sampled):             mask = labels_sampled == t             if t in deltas:-                X[mask] += deltas[t]+                delta_t = deltas[t]+                nonzero_genes = np.abs(delta_t) > 1e-8+                if nonzero_genes.sum() > 1:+                    centroid = Xd_last[labels_last == t][:, nonzero_genes].mean(axis=0)+                    proj_dir = delta_t[nonzero_genes]+                    proj_norm = np.linalg.norm(proj_dir) + 1e-12+                    proj_dir = proj_dir / proj_norm+                    cell_sub = X[mask][:, nonzero_genes]+                    centered = cell_sub - centroid[np.newaxis, :]+                    proj_scores = centered @ proj_dir+                    p_lo = np.percentile(proj_scores, 5)+                    p_hi = np.percentile(proj_scores, 95)+                    span = p_hi - p_lo + 1e-12+                    norm_proj = (proj_scores - p_lo) / span+                    scale = CELL_SCALE_MIN + (CELL_SCALE_MAX - CELL_SCALE_MIN) * norm_proj+                    X[mask][:, nonzero_genes] += delta_t[nonzero_genes][np.newaxis, :] * scale[:, np.newaxis]+                    zero_genes = ~nonzero_genes+                    if zero_genes.any():+                        X[mask][:, zero_genes] += delta_t[zero_genes][np.newaxis, :]+                else:+                    X[mask] += delta_t[np.newaxis, :]++        del prev, Xd_last, Xd_prev      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

审查员

REVIEW.json written

stream

The crash is because `Xd_last` is deleted before the per-cell scaling loop uses it. Fix: move the `del` after the loop.

<<<<<<< SEARCH
        del prev, Xd_last, Xd_prev

        labels_sampled = labels_last[rows]
=======
        labels_sampled = labels_last[rows]
>>>>>>> REPLACE

<<<<<<< SEARCH
                else:
                    X[mask] += delta_t[np.newaxis, :]

    np.clip(X, 0.0, None, out=X)
=======
                else:
                    X[mask] += delta_t[np.newaxis, :]

        del prev, Xd_last, Xd_prev

    np.clip(X, 0.0, None, out=X)
>>>>>>> REPLACE

```METHOD
## 改了什么
1. 修复崩溃：将 `del prev, Xd_last, Xd_prev` 从逐细胞缩放循环之前移到之后。第 1 轮引入的逐细胞缩放需要 `Xd_last` 计算类型质心，但原位置在循环前就删除了它，导致 X3 视图（单阶段回退路径不进入此分支，但两阶段路径触发）报 UnboundLocalError。
2. 保留第 0 轮全部改动（ALPHA_MAX=0.80、GENE_SHRINK_POWER=2.0、GENE_SHRINK_K=3.0、SNR_SIGNIFICANT_THRESHOLD=1.5、符号不一致处理）。
3. 保留第 1 轮的逐细胞缩放（CELL_SCALE_MIN=0.7, CELL_SCALE_MAX=1.3）和放宽的符号不一致参数（SIGN_DISAGREE_FACTOR=0.95, SIGN_DISAGREE_THRESHOLD=0.40）。

## 用到的知识与出处
- 第 1 轮崩溃日志：`UnboundLocalError: cannot access local variable 'Xd_last'`，原因是 `del` 在使用前执行。
- 方法卡 k018：逐基因经验贝叶斯收缩使噪声基因少动，保护协方差。
- 实验表 Program 1（node 22/23）：GENE_SHRINK_POWER=2.5、K=3.0、符号不一致处理在 covariation 上优于本节点父代。
- 任务书 §5：预测的是一群细胞，要保留群体的分布、比例和基因之间的共变结构。
```