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

节点 n40

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 c340df5a8d: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 059b6f22d7。改动的文件：solution/METHOD.md +6 −7、solution/run.py +65 −4

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 3d6c811..6657ff2 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,9 +1,8 @@ ## 改了什么-1. 修复第 0 轮引入的 covariation 下降（41.31→40.18）：将分层抽样（stratified sampling）回退为加权抽样（weighted sampling）。分层抽样强制每个类型精确配额，当配额超过可用细胞数时用有放回抽样补齐，导致重复细胞增多、类内共变结构被破坏。加权抽样（与父节点 27 相同）在保持类型比例偏移的同时，优先无放回抽样，更好保留基因共变结构。-2. 保留第 0 轮的细胞数 clamp 修复（检查 manifest 中 max_cells/min_cells 是否为 None 再转 int），确保输出细胞数在合法范围内。-3. 加权抽样函数简洁：直接按权重概率从全部细胞中抽样，无需类型级配额分配，代码更简单且经父节点 27 验证有效（proxy 54.49）。+1. 添加逐细胞自适应缩放（per-cell adaptive scaling）：对每个类型的每个细胞，将其投影到 delta 方向上，根据投影位置在 [CELL_SCALE_MIN, CELL_SCALE_MAX] 之间线性缩放位移幅度。这保留了类内细胞间的异质性，改善 covariation 和 de_recovery。+2. 将 SHRINK_K 从 3.0 降至 2.5：稍微放松逐基因收缩，让更多中等 SNR 的基因通过，改善 de_recovery（差异表达基因恢复）。+3. 保留 family_weight 加权抽样和 SNR 收缩框架。 ## 用到的知识与出处-- 父节点 27 实验结果：加权抽样在 proxy 上得 54.49，covariation 41.31；第 0 轮分层抽样降至 53.516 / 40.18，说明分层+补齐策略伤害了共变结构-- 父节点 31 ANALYSIS：manifest.get 取不到值时 clamp 变空操作，需先检查 None-- k012：covariation 占 20%，mode collapse 和重复细胞会被 ED/MMD/CSS 惩罚-- CONTRACT：输出细胞数必须在 [min_cells, max_cells] 之内+- Program 2（节点 38）的 CELL_SCALE_MAX/MIN 逐细胞缩放方法+- k018：逐基因经验贝叶斯收缩，SHRINK_K 控制收缩强度+- 第 0 轮反馈：covariation 49.14 和 de_recovery 50.48 是最弱组，需要保留更多类内变异diff --git a/solution/run.py b/solution/run.pyindex 0238f5b..81177df 100644--- a/solution/run.py+++ b/solution/run.py@@ -13,7 +13,6 @@ import argparse  import numpy as np -from src.task1_temporal.baselines import shift_rows, type_deltas from src.task1_temporal.view_io import (     inputs_by_time,     labels_of,@@ -35,6 +34,12 @@ CARDIAC_W = 1.6 DOWNWEIGHT_W = 0.25 DROP_W = 0.0 DEFAULT_W = 1.0+DELTA_ALPHA = 0.6+SNR_THRESHOLD = 1.5+SHRINK_K = 2.5+SHRINK_POWER = 2.0+CELL_SCALE_MAX = 1.25+CELL_SCALE_MIN = 0.75   def family_weight(name: str) -> float:@@ -109,10 +114,66 @@ def main() -> None:     X = last.X[rows]      if len(stages) >= 2:+        from scipy import sparse as sp++        def _dense(M):+            if sp.issparse(M):+                return np.asarray(M.todense(), dtype=np.float32)+            return np.asarray(M, dtype=np.float32)+         prev = read_stage(args.data, stages[-2], genes)-        deltas = type_deltas(prev.X, labels_of(prev), last.X, labels)-        del prev-        X = shift_rows(X, labels[rows], deltas)+        labels_prev = labels_of(prev)+        Xd_last = _dense(last.X)+        Xd_prev = _dense(prev.X)++        deltas = {}+        types_last = set(np.unique(labels))+        types_prev = set(np.unique(labels_prev))+        for t in types_last & types_prev:+            mask_l = labels == t+            mask_p = labels_prev == t+            n_l = int(mask_l.sum())+            n_p = int(mask_p.sum())+            raw_delta = Xd_last[mask_l].mean(axis=0) - Xd_prev[mask_p].mean(axis=0)+            var_l = Xd_last[mask_l].var(axis=0)+            var_p = Xd_prev[mask_p].var(axis=0)+            noise_se = np.sqrt(var_l / max(n_l, 1) + var_p / max(n_p, 1) + 1e-12)+            snr = np.abs(raw_delta) / (noise_se + 1e-12)+            gene_shrink = (snr / (snr + SHRINK_K)) ** SHRINK_POWER+            deltas[t] = (raw_delta * DELTA_ALPHA * gene_shrink).astype(np.float32)++        Xd_last_full = Xd_last+        del prev, Xd_prev++        Xd = _dense(X)+        labels_sampled = labels[rows]+        for t in np.unique(labels_sampled):+            if t not in deltas:+                continue+            mask_s = labels_sampled == t+            delta_t = deltas[t]+            nonzero = np.abs(delta_t) > 1e-8+            if nonzero.sum() > 1 and mask_s.sum() > 2:+                centroid = Xd_last_full[labels == t][:, nonzero].mean(axis=0)+                proj_dir = delta_t[nonzero]+                proj_norm = np.linalg.norm(proj_dir) + 1e-12+                proj_dir = proj_dir / proj_norm+                cell_sub = Xd[mask_s][:, nonzero]+                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+                Xd[mask_s][:, nonzero] += delta_t[nonzero][np.newaxis, :] * scale[:, np.newaxis]+                zero_mask = ~nonzero+                if zero_mask.any():+                    Xd[mask_s][:, zero_mask] += delta_t[zero_mask][np.newaxis, :]+            else:+                Xd[mask_s] += deltas[t][np.newaxis, :]+        np.clip(Xd, 0.0, None, out=Xd)+        X = Xd      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

Looking at the scores, **de_recovery** (51.65) is now the weakest group. I'll increase delta strength and reduce shrinkage aggressiveness to better preserve DE signal, while slightly widening the per-cell scale range to maintain covariation gains.

<<<<<<< SEARCH
DELTA_ALPHA = 0.6
SNR_THRESHOLD = 1.5
SHRINK_K = 2.5
SHRINK_POWER = 2.0
CELL_SCALE_MAX = 1.25
CELL_SCALE_MIN = 0.75
=======
DELTA_ALPHA = 0.7
SNR_THRESHOLD = 1.5
SHRINK_K = 2.0
SHRINK_POWER = 1.5
CELL_SCALE_MAX = 1.30
CELL_SCALE_MIN = 0.70
>>>>>>> REPLACE

```METHOD
## 改了什么
1. DELTA_ALPHA 从 0.6 提高到 0.7：增强伪批量位移幅度，使类型间差异表达信号更明显，改善 de_recovery（当前最弱组 51.65）。
2. SHRINK_K 从 2.5 降至 2.0：减少逐基因收缩强度，让更多中等 SNR 的基因保留位移信号，进一步改善 de_recovery。
3. SHRINK_POWER 从 2.0 降至 1.5：收缩曲线更平缓，避免过度压缩中等信号基因的位移。
4. CELL_SCALE_MAX 从 1.25 提高到 1.30，CELL_SCALE_MIN 从 0.75 降低到 0.70：稍微扩大逐细胞缩放范围，保留更多类内异质性，同时维持 covariation 的改善（第 1 轮从 49.14 提升到 52.99）。
## 用到的知识与出处
- 第 1 轮反馈：de_recovery 51.65 为最弱组，covariation 52.99 已大幅改善
- k018：收缩系数 α 和逐基因经验贝叶斯收缩；α 越大位移越强，SHRINK_K 越小收缩越弱
- Program 2（节点 38）：CELL_SCALE 范围影响类内变异保留程度
- 第 0 轮反馈：SNR 收缩框架有效，proxy 保持 54.4 水平
```