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

节点 n51

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 023506de4e: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 8072472c25。改动的文件：solution/METHOD.md +9 −7、solution/run.py +74 −6

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 205b747..0c93fed 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,10 +1,12 @@ ## 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）。-+1. 添加组成重加权（composition reweighting）：按心脏家族（CM、SHF、Endocardium 等）上调权重 1.6，非心脏外胚层（Surface Ectoderm、EXEM、Paraxial Mesoderm）下调至 0.25，Neural Tube 设为 0。这是实验表中 Program 1/2（score 53.10）的核心组件，当前程序缺失。+2. GENE_SHRINK_K 从 3.0 降至 2.5（与 top programs 一致，更积极地保留高 SNR 基因的位移）。+3. CELL_SCALE 区间从 [0.7, 1.3] 收窄至 [0.75, 1.25]（与 top programs 一致，减少尾部过度放大）。+4. 添加 n_target 的 min_cells/max_cells 夹取逻辑，确保输出细胞数合规。+5. 对无官方阶段的视图（如 X3）回退到均匀采样，避免外部数据标签不匹配。+6. 保留自适应 alpha 和逐细胞投影缩放（保护 covariation）。 ## 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。+- 实验表 Program 1/2（node 40/43/44）：组成重加权是 proxy 从 50.04 提升到 54.49 的关键因子。+- 方法卡 k018：逐基因经验贝叶斯收缩，SHRINK_K=2.5 在 top programs 中验证有效。 - 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。+- 父节点 ANALYSIS next_suggestions：调整 SHRINK_K 和 CELL_SCALE 区间。diff --git a/solution/run.py b/solution/run.pyindex 8107870..7847f0d 100644--- a/solution/run.py+++ b/solution/run.py@@ -23,7 +23,6 @@ from src.task1_temporal.view_io import (     load_manifest,     panel_genes,     read_stage,-    sample_rows,     target_n_cells,     write_prediction, )@@ -32,12 +31,62 @@ ALPHA_MAX = 0.80 ALPHA_MIN = 0.1 SIGN_THRESHOLD = 0.05 GENE_SHRINK_POWER = 2.0-GENE_SHRINK_K = 3.0+GENE_SHRINK_K = 2.5 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+CELL_SCALE_MAX = 1.25+CELL_SCALE_MIN = 0.75++CARDIAC_SUBSTRINGS = [+    "CM", "SHF", "Endocardium", "BEC", "Proepicardium",+    "Pericardium", "PHM", "JCF", "NCC", "OFT", "AVC", "IFT", "SV",+]+DOWNWEIGHT_SUBSTRINGS = ["Surface Ectoderm", "EXEM", "Paraxial Mesoderm"]+DROP_SUBSTRINGS = ["Neural Tube"]++CARDIAC_W = 1.6+DOWNWEIGHT_W = 0.25+DROP_W = 0.0+DEFAULT_W = 1.0+++def family_weight(name: str) -> float:+    for s in DROP_SUBSTRINGS:+        if s in name:+            return DROP_W+    for s in DOWNWEIGHT_SUBSTRINGS:+        if s in name:+            return DOWNWEIGHT_W+    for s in CARDIAC_SUBSTRINGS:+        if s in name:+            return CARDIAC_W+    return DEFAULT_W+++def weighted_sample(labels, n_target, rng, weight_fn=None):+    n = len(labels)+    if weight_fn is None:+        w = np.ones(n, dtype=np.float64)+    else:+        w = np.array([weight_fn(t) for t in labels], dtype=np.float64)+    total = w.sum()+    if total <= 0:+        w = np.ones(n, dtype=np.float64)+        total = float(n)+    p = w / total+    if n_target <= n:+        rows = rng.choice(n, size=n_target, replace=False, p=p)+    else:+        rows = rng.choice(n, size=n_target, replace=True, p=p)+    return rows+++def has_official_stage(manifest) -> bool:+    for inp in manifest.get("inputs", []):+        if inp.get("source") != "external":+            return True+    return False   def _to_dense(X):@@ -90,7 +139,26 @@ def main() -> None:      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)++    labels = labels_of(last)+    n_target = target_n_cells(manifest, last.n_obs)+    max_c = manifest.get("max_cells", None)+    min_c = manifest.get("min_cells", None)+    if max_c is not None:+        n_target = min(n_target, int(max_c))+    if min_c is not None:+        n_target = max(n_target, int(min_c))+    n_target = max(n_target, 1)++    official = has_official_stage(manifest)+    if official:+        rows = weighted_sample(labels, n_target, rng, weight_fn=family_weight)+    else:+        if n_target <= last.n_obs:+            rows = rng.choice(last.n_obs, size=n_target, replace=False)+        else:+            rows = rng.choice(last.n_obs, size=n_target, replace=True)+     X = _to_dense(last.X[rows])      if len(stages) >= 2:@@ -119,7 +187,7 @@ def main() -> None:             else:                 deltas[t] = np.zeros(len(genes), dtype=np.float32) -        labels_sampled = labels_last[rows]+        labels_sampled = labels[rows]         for t in np.unique(labels_sampled):             mask = labels_sampled == t             if t in deltas:

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

<tool_call>
<tool_name>read_file</tool_name>
<path>solution/run.py</path>
</tool_name>
</tool_call>
<tool_name>list_directory</tool_name>
<path>solution</path>
</tool_name>
</tool_call>