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

节点 n37

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 69d0a4046e: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：这个提交的上一版（种子程序：相对空仓库）。改动的文件：solution/METHOD.md +11 −0、solution/README.md +4 −0、solution/run.py +112 −0

diff --git a/solution/METHOD.md b/solution/METHOD.mdnew file mode 100644index 0000000..2f5a1cd--- /dev/null+++ b/solution/METHOD.md@@ -0,0 +1,11 @@+## 改了什么+1. 全局收缩系数 α 从 0.1 降至 0.05：X3 仍低于 50（46.50），说明位移仍过于激进；继续收缩向 copy_last 靠近。+2. 收缩因子加幂次（SHRINK_POWER=2）：将 EB 收缩因子平方，使信噪比边缘的基因几乎不动，只有高置信基因才获得位移，保护共变结构。+3. MAX_DELTA 从 0.3 降至 0.15：进一步限制单基因最大位移幅度。+4. MIN_CELLS 从 10 提高到 20：要求更多细胞才计算伪批量均值，减少小样本噪声。++## 用到的知识与出处+- 方法卡 T1 卡"平移幅度"：官方 α=1 在 T1 上 48.6，低于 copy_last=50。+- k018（Damped per-type shift）：α∈[0,1]，逐基因经验贝叶斯收缩。+- k012（Official T1 scoring）：copy_last=50 为地板；mode collapse 和全局缩放被惩罚。+- 第 0-1 轮反馈：α=0.3→0.1 使 X3 从 44.59→46.50，趋势表明继续收缩有效；covariation 仍是最弱项（46.97），位移破坏共变结构。diff --git a/solution/README.md b/solution/README.mdnew file mode 100644index 0000000..ba29577--- /dev/null+++ b/solution/README.md@@ -0,0 +1,4 @@+# pseudobulk_shift++最新阶段抽样后，每个细胞加上所属类型在最后一步的伪批量差值 mean(last|type) − mean(prev|type)，夹到 ≥0；前一阶段没有的类型原样复制。+T1 proxy 只有一个输入阶段，没有差值可取，退化成 copy_last（同样的抽样），所以 proxy 分 = copy_last（seed 0 实测 49.77）。final 才真正平移；官方在真实 T1 上报的常数位移是 48.6，低于地板。diff --git a/solution/run.py b/solution/run.pynew file mode 100644index 0000000..b1d37f9--- /dev/null+++ b/solution/run.py@@ -0,0 +1,112 @@+#!/usr/bin/env python3+"""Per-type pseudobulk shift with shrinkage alpha and per-gene EB shrinkage.++Uses only official (non-external) stages for the base prediction to avoid+proxy2 crash from mismatched cell-type labels. When >=2 official stages exist,+computes per-type deltas with alpha=0.3 (conservative; alpha=1 scored below+copy_last on real T1) and per-gene empirical Bayes shrinkage to dampen noisy+gene deltas. With a single official input, falls back to copy_last.+"""++from __future__ import annotations++import argparse++import numpy as np+from scipy import sparse++from src.task1_temporal.view_io import (+    inputs_by_time,+    labels_of,+    load_manifest,+    panel_genes,+    read_stage,+    sample_rows,+    target_n_cells,+    write_prediction,+)++ALPHA = 0.05+MIN_CELLS = 20+MAX_DELTA = 0.15+SHRINK_POWER = 2.0+++def _type_mean(X, labels, t):+    mask = labels == t+    if sparse.issparse(X):+        return np.asarray(X[mask].mean(axis=0)).ravel()+    return X[mask].mean(axis=0)+++def _type_var(X, labels, t, mean):+    mask = labels == t+    if sparse.issparse(X):+        return np.asarray(X[mask].power(2).mean(axis=0)).ravel() - mean ** 2+    return np.var(X[mask], axis=0)+++def compute_shrunk_deltas(prev_X, prev_labels, last_X, last_labels):+    prev_types = set(np.unique(prev_labels))+    last_types = set(np.unique(last_labels))+    common = prev_types & last_types+    deltas = {}+    for t in common:+        n_prev = int((prev_labels == t).sum())+        n_last = int((last_labels == t).sum())+        if n_prev < MIN_CELLS or n_last < MIN_CELLS:+            continue+        pm = _type_mean(prev_X, prev_labels, t)+        lm = _type_mean(last_X, last_labels, t)+        raw = lm - pm+        lv = np.maximum(_type_var(last_X, last_labels, t, lm), 1e-8)+        noise = lv / max(n_last, 1)+        signal = raw ** 2+        shrink = (signal / (signal + noise + 1e-12)) ** SHRINK_POWER+        d = ALPHA * shrink * raw+        np.clip(d, -MAX_DELTA, MAX_DELTA, out=d)+        deltas[t] = d+    return deltas+++def apply_shift(X, labels, deltas):+    if sparse.issparse(X):+        X = np.asarray(X.todense())+    else:+        X = np.array(X, dtype=np.float32)+    for t, d in deltas.items():+        mask = labels == t+        if mask.any():+            X[mask] += d[np.newaxis, :]+    np.clip(X, 0, None, out=X)+    return X+++def main() -> None:+    parser = argparse.ArgumentParser()+    parser.add_argument("--data", required=True)+    parser.add_argument("--out", required=True)+    parser.add_argument("--seed", type=int, default=0)+    args = parser.parse_args()++    manifest = load_manifest(args.data)+    genes = panel_genes(args.data, manifest)+    stages = inputs_by_time(manifest, include_external=False)+    if not stages:+        stages = inputs_by_time(manifest)+    last = read_stage(args.data, stages[-1], genes)+    rng = np.random.default_rng(args.seed)+    rows = sample_rows(last.n_obs, target_n_cells(manifest, last.n_obs), rng)+    X = last.X[rows]+    if len(stages) >= 2:+        prev = read_stage(args.data, stages[-2], genes)+        deltas = compute_shrunk_deltas(+            prev.X, labels_of(prev), last.X, labels_of(last)+        )+        del prev+        X = apply_shift(X, labels_of(last)[rows], deltas)+    write_prediction(X, genes, args.out, seed=args.seed)+++if __name__ == "__main__":+    main()

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
ALPHA = 0.1
MIN_CELLS = 10
MAX_DELTA = 0.3
=======
ALPHA = 0.05
MIN_CELLS = 20
MAX_DELTA = 0.15
SHRINK_POWER = 2.0
>>>>>>> REPLACE

<<<<<<< SEARCH
        shrink = signal / (signal + noise + 1e-12)
        d = ALPHA * shrink * raw
        np.clip(d, -MAX_DELTA, MAX_DELTA, out=d)
=======
        shrink = (signal / (signal + noise + 1e-12)) ** SHRINK_POWER
        d = ALPHA * shrink * raw
        np.clip(d, -MAX_DELTA, MAX_DELTA, out=d)
>>>>>>> REPLACE

```METHOD
## 改了什么
1. 全局收缩系数 α 从 0.1 降至 0.05：X3 仍低于 50（46.50），说明位移仍过于激进；继续收缩向 copy_last 靠近。
2. 收缩因子加幂次（SHRINK_POWER=2）：将 EB 收缩因子平方，使信噪比边缘的基因几乎不动，只有高置信基因才获得位移，保护共变结构。
3. MAX_DELTA 从 0.3 降至 0.15：进一步限制单基因最大位移幅度。
4. MIN_CELLS 从 10 提高到 20：要求更多细胞才计算伪批量均值，减少小样本噪声。

## 用到的知识与出处
- 方法卡 T1 卡"平移幅度"：官方 α=1 在 T1 上 48.6，低于 copy_last=50。
- k018（Damped per-type shift）：α∈[0,1]，逐基因经验贝叶斯收缩。
- k012（Official T1 scoring）：copy_last=50 为地板；mode collapse 和全局缩放被惩罚。
- 第 0-1 轮反馈：α=0.3→0.1 使 X3 从 44.59→46.50，趋势表明继续收缩有效；covariation 仍是最弱项（46.97），位移破坏共变结构。
```