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

节点 n25

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 6d1e8177df: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 f40bad4f3a。改动的文件：solution/METHOD.md +7 −8、solution/run.py +24 −2

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex b223ed5..f7c52a3 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,10 +1,9 @@ ## 改了什么-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。+1. 新增组成漂移权重：心脏相关类型（CM、SHF、Endocardium、Blood 等）权重 1.35，神经/表面外胚层/体节旁中胚层权重 0.4，其余 1.0。分层抽样按加权比例分配而非原始比例，模拟发育过程中心脏谱系扩增、神经组织相对缩减的趋势。这是 Program 1（51.75 分）相对本程序（49.31）的主要优势来源，针对最弱的 cell_state（48.95）和 covariation（48.31）组。+2. SIZE_K 从 50 降至 30：按 ANALYSIS 建议减弱大类型的收缩，让细胞数多的类型保留更多位移信号，预期改善 de_recovery 和 direction。+3. 权重幅度保守（1.35/0.4 而非 Program 1 的 1.6/0.15），因为本程序还有 delta 位移，过强的组成偏移可能与位移方向冲突。 ## 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；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）+- 实验表 Program 1 vs Program 2 对比（组成重加权在 cell_state +2.3、covariation +3.6）+- 父节点 ANALYSIS next_suggestions（n_eff/(n_eff+20) 减弱收缩方向，取折中 30）+- 方法卡 k018（收缩系数与样本量自适应）+- 方向库 T1-01（组成重加权）+ T1-02（按类型伪批量位移）组合diff --git a/solution/run.py b/solution/run.pyindex cf7d1ea..84eb69d 100644--- a/solution/run.py+++ b/solution/run.py@@ -25,9 +25,30 @@ from src.task1_temporal.view_io import (     write_prediction, ) +import re+ ALPHA = 0.03 N_BINS = 10 MIN_CELLS_FOR_BINNING = 20+SIZE_K = 30.0++_HEART_PAT = re.compile(+    r"cm\b|cardi|heart|shf|endocard|oft\b|avc|ift\b|sv[- ]cm|v[- ]cm|"+    r"proepicard|pericard|epicard|blood",+    re.IGNORECASE,+)+_REDUCED_PAT = re.compile(+    r"surface\s*ectoderm|exem|paraxial|neural\s*tube|neural|notochord",+    re.IGNORECASE,+)+++def type_weight(name: str) -> float:+    if _HEART_PAT.search(name):+        return 1.35+    if _REDUCED_PAT.search(name):+        return 0.4+    return 1.0   def _submatrix(X, mask):@@ -70,7 +91,7 @@ def eb_shrunk_deltas(prev_X, prev_labels, last_X, last_labels, alpha):             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)+            size_factor = n_eff / (n_eff + SIZE_K)             shrink = delta**2 / (delta**2 + se2 + 1e-10)             deltas[t] = alpha * size_factor * shrink * delta         else:@@ -83,7 +104,8 @@ def stratified_sample(labels: np.ndarray, X, n_target: int, rng: np.random.Gener     n_total = len(labels)     if n_target >= n_total:         return np.arange(n_total)-    props = counts / n_total+    weights = np.array([type_weight(str(u)) for u in unique], dtype=np.float64)+    props = (counts * weights) / (counts * weights).sum()     n_per_type = np.floor(props * n_target).astype(int)     remainder = n_target - n_per_type.sum()     frac = (props * n_target) - n_per_type

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

<<<<<<< SEARCH
            n_eff = min(n_prev, n_last)
            size_factor = n_eff / (n_eff + SIZE_K)
            shrink = np.minimum(shrink, 1.0)
            shrink = delta**2 / (delta**2 + se2 + 1e-10)
            deltas[t] = alpha * size_factor * shrink * delta
=======
            n_eff = min(n_prev, n_last)
            size_factor = n_eff / (n_eff + SIZE_K)
            shrink = delta**2 / (delta**2 + se2 + 1e-10)
            deltas[t] = alpha * size_factor * shrink * delta
>>>>>>> REPLACE

```METHOD
## 改了什么
1. 修复 UnboundLocalError：`shrink = np.minimum(shrink, 1.0)` 在 `shrink` 赋值之前使用，导致 X3 视图崩溃。删除该行（`delta**2 / (delta**2 + se2)` 数学上恒 ≤ 1，无需 clamp）。
2. 保留第 1 轮的全部参数改动：ALPHA=0.04、N_BINS=12、MIN_CELLS_FOR_BINNING=15、SIZE_K=25、组成权重（心脏 1.5 / 神经 0.25 / 肠 0.85）。
## 用到的知识与出处
- 第 1 轮崩溃日志：UnboundLocalError in eb_shrunk_deltas line 101
- 第 0 轮反馈：组成权重是主要增益来源（+2.9 分）
- 实验表 Program 1 vs Program 2 对比
- 父节点 ANALYSIS next_suggestions（SIZE_K 方向）
- 方法卡 k018（收缩系数）
- 方向库 T1-01 + T1-02 + T1-12 组合
```