总览 · ← 返回运行 20261002-034201-search-t1-abc-r1-C-native

节点 n11

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 f40bad4f3a: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 2a1665e1a0。改动的文件：solution/METHOD.md +8 −6、solution/run.py +7 −4

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex bbeff21..b223ed5 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,8 +1,10 @@ ## 改了什么-1. 将 ALPHA 从 0.1 降至 0.05：实验表 Program 2（ALPHA=0.05）的 covariation=47.63、X3=47.41 均优于当前（ALPHA=0.1，covariation=47.04、X3=46.63）。更小的位移更接近 copy_last，更好地保留原始协方差结构。-2. 将 N_BINS 从 5 增加到 8：更细的距离分位数分箱能更精确地保持类型内部的距离分布，从而更好地保留基因间共变结构。-3. 将 quantile-bin 抽样的最小细胞数阈值从 50 降至 30：使更多中等大小的类型也能受益于保协方差抽样。+1. ALPHA 从 0.05 降至 0.03：进一步减小位移幅度，更接近 copy_last，预期提升 covariation 而 direction 损失在噪声内。+2. 新增逐类型样本量自适应收缩（size_factor = n_eff/(n_eff+50)）：细胞数少的类型收缩更强（delta 更不可靠），细胞数多的类型保留更多位移信号。这应同时改善 direction（大类型仍有效移动）和 covariation（小类型噪声不扩散）。+3. N_BINS 从 8 增至 10：更细的距离分位数分箱，更精确保留类型内表达云的协方差结构。+4. 分箱抽样阈值从 30 降至 20：更多中等大小类型受益于保协方差抽样。 ## 用到的知识与出处-- 方法卡 k018（Damped per-type shift: shrinkage alpha）-- 实验表 Program 2（ALPHA=0.05 + EB shrinkage → covariation 47.63, X3 47.41）-- 方向库 T1-12（保协方差的生成）+- 方法卡 k018（Damped per-type shift: shrinkage alpha on the observed delta）+- 父节点 ANALYSIS 的 next_suggestions（按类型样本量自适应收缩；进一步降 ALPHA）+- 方向库 T1-12（保协方差的生成：真实细胞锚 + 低秩残差）+- 实验表 Program 1 vs Program 2 对比（N_BINS=5 + threshold=50 的 direction 更高，N_BINS=8 + threshold=30 的 covariation 更高，取折中）diff --git a/solution/run.py b/solution/run.pyindex 8906328..cf7d1ea 100644--- a/solution/run.py+++ b/solution/run.py@@ -25,8 +25,9 @@ from src.task1_temporal.view_io import (     write_prediction, ) -ALPHA = 0.05-N_BINS = 8+ALPHA = 0.03+N_BINS = 10+MIN_CELLS_FOR_BINNING = 20   def _submatrix(X, mask):@@ -68,8 +69,10 @@ def eb_shrunk_deltas(prev_X, prev_labels, last_X, last_labels, alpha):             var_prev = np.maximum(var_prev, 0.0)             delta = mean_last - mean_prev             se2 = var_prev / max(n_prev, 1) + var_last / max(n_last, 1)+            n_eff = min(n_prev, n_last)+            size_factor = n_eff / (n_eff + 50.0)             shrink = delta**2 / (delta**2 + se2 + 1e-10)-            deltas[t] = alpha * shrink * delta+            deltas[t] = alpha * size_factor * shrink * delta         else:             deltas[t] = np.zeros(last_X.shape[1])     return deltas@@ -95,7 +98,7 @@ def stratified_sample(labels: np.ndarray, X, n_target: int, rng: np.random.Gener         if n_take >= len(type_idx):             indices.append(type_idx)             continue-        if len(type_idx) > 30 and n_take >= 5:+        if len(type_idx) > MIN_CELLS_FOR_BINNING and n_take >= 5:             sub = _submatrix(X, type_idx)             centroid = sub.mean(axis=0)             dists = np.linalg.norm(sub - centroid, axis=1)

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 = 0.03
N_BINS = 10
MIN_CELLS_FOR_BINNING = 20
=======
ALPHA = 0.03
N_BINS = 12
MIN_CELLS_FOR_BINNING = 15
SIZE_DENOM = 35.0
>>>>>>> REPLACE

<<<<<<< SEARCH
            n_eff = min(n_prev, n_last)
            size_factor = n_eff / (n_eff + 50.0)
=======
            n_eff = min(n_prev, n_last)
            size_factor = n_eff / (n_eff + SIZE_DENOM)
>>>>>>> REPLACE

```METHOD
## 改了什么
1. size_factor 分母从 50 降至 35：大类型（n_eff 高）的有效 alpha 从 ~0.024 提升到 ~0.026，中等类型从 ~0.015 提升到 ~0.018。更积极的位移有助于 direction 分数，而逐基因 EB 收缩仍然保护噪声基因不乱动，保住 covariation。
2. N_BINS 从 10 增至 12：更细的距离分位数分箱，进一步保留类型内表达云的协方差结构。
3. MIN_CELLS_FOR_BINNING 从 20 降至 15：使更多较小类型也能受益于保协方差分箱抽样。
## 用到的知识与出处
- 方法卡 k018（Damped per-type shift: shrinkage alpha on the observed delta）
- 父节点 ANALYSIS 的 next_suggestions（按类型样本量自适应收缩）
- 方向库 T1-12（保协方差的生成：真实细胞锚 + 低秩残差）
- 第 1 轮评分结果：direction 50.13 最强，covariation 48.58 最弱；size_factor 是 direction 大幅提升的关键，进一步放宽分母让大类型有更多位移空间
```