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

节点 n26

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 ba192e8449: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 6c576269c5。改动的文件：solution/METHOD.md +8 −8、solution/run.py +2 −2

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex d5096db..a08f170 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,11 +1,11 @@ ## 改了什么-1. ALPHA 从 0.04 降至 0.015：第 0 轮结果显示 delta 位移在组成重加权已提供 direction 信号的情况下，主要贡献是损害 covariation（49.68 vs Program 1 纯重加权的 51.96）。大幅降低 ALPHA 以最小化位移噪声对协方差结构的破坏，同时保留极小位移作为方向微调。-2. 心脏权重从 1.45 提升至 1.55，神经/外表权重从 0.25 降至 0.18：加强组成偏移信号。Program 1 用 1.6/0.15 得到 direction 53.15 和 covariation 51.96，我们取略保守值以平衡。-3. 肠系权重从 0.92 提升至 0.95：微调，避免过度压制。-4. N_BINS 从 10 增至 12：更精细的距离分箱，更好保留类型内表达云的协方差结构。-5. size_factor 分母从 30 调至 40：折中，避免大类型位移过大（ALPHA 已很低，此项影响极小）。+1. ALPHA 从 0.025 降至 0.02：第 0 轮结果显示 ALPHA=0.025 配合标量 shrink 导致 proxy 从 53.49 降至 52.97（-0.52），covariation 从 51.15 降至 50.08（-1.07）。回退至接近父节点的 0.015 但略高（0.02），在保持协方差结构的同时给方向信号留微小余量。+2. 权重回退至父节点值（1.55/0.18/0.95）：第 0 轮用 1.6/0.15/0.9 导致 cell_state 从 52.17 降至 51.35，说明过强的心脏放大和神经过度压制损害了细胞状态分布的准确性。+3. shrink 从标量恢复为逐基因向量：第 0 轮实验证明标量 shrink 损害 covariation（50.08 vs 父节点 51.15）。逐基因 shrink 让噪声基因少移动，保留基因间共变结构。+4. 保留 size_factor 分母 50（不回退至 40）：Program 2（size_factor=50）covariation 51.72 优于父节点（size_factor=40）的 51.15，说明较大分母对协方差有利。 ## 用到的知识与出处-- 实验表 Program 1（纯组成重加权，无 delta，covariation 51.96）vs 本节点（有 delta，covariation 49.68）的对比，证明 delta 损害 covariation+- 第 0 轮实验反馈：标量 shrink + 强权重 + 高 ALPHA 组合导致 covariation 和 cell_state 显著下降+- 实验表 Program 2（ALPHA=0.025, 逐基因 shrink, size_factor=50, 权重 1.55/0.18/0.95）得 52.12，covariation 51.72 为全表最高+- 父节点 19（ALPHA=0.015, 逐基因 shrink, size_factor=40）得 52.09，cell_state 52.17 为全表最高 - 方法卡 k018（shrinkage alpha 应保守）-- 方向库 T1-01（组成重加权）+ T1-12（保协方差生成）-- 父节点 ANALYSIS（size_factor 分母调参建议）+- 方向库 T1-01（组成重加权）+ T1-02（按类型伪批量位移 + 收缩系数）+ T1-12（保协方差生成）diff --git a/solution/run.py b/solution/run.pyindex 7743855..743e9c5 100644--- a/solution/run.py+++ b/solution/run.py@@ -26,7 +26,7 @@ from src.task1_temporal.view_io import (     write_prediction, ) -ALPHA = 0.015+ALPHA = 0.02 N_BINS = 12 MIN_CELLS_FOR_BINNING = 20 @@ -95,7 +95,7 @@ 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 + 40.0)+            size_factor = n_eff / (n_eff + 50.0)             shrink = delta**2 / (delta**2 + se2 + 1e-10)             deltas[t] = alpha * size_factor * shrink * delta         else:

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

```python
#!/usr/bin/env python3
"""Stratified copy with per-gene EB-shrunk pseudobulk delta + family reweighting.

Combines Program 1's proven aggressive family weights with per-gene adaptive
shrinkage: genes with high signal-to-noise ratio in the delta get more shift,
noisy genes get less. This targets de_recovery without damaging covariation.
"""

from __future__ import annotations

import argparse
import re

import numpy as np
from scipy import sparse as sp

from src.task1_temporal.baselines import shift_rows
from src.task1_temporal.view_io import (
    inputs_by_time,
    labels_of,
    load_manifest,
    panel_genes,
    read_stage,
    target_n_cells,
    write_prediction,
)

ALPHA = 0.025
N_BINS = 12
MIN_CELLS_FOR_BINNING = 15

_HP = 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,
)
_RP = re.compile(
    r"surface\s*ectoderm|exem|paraxial|neural\s*tube|neural|notochord",
    re.IGNORECASE,