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

节点 n35

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 a6764ae679: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 3ed9cbb827。改动的文件：solution/METHOD.md +2 −2、solution/run.py +41 −3

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 601de6d..f574917 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,4 +1,4 @@ ## 改了什么-将 with-replace 加权抽样改为按类型分层的 without-replace 抽样：先按家族权重计算每型目标细胞数，再在每型内无放回抽样（不足时取全部），剩余名额从未选细胞中补齐。不加任何表达位移。理由：Program 1 用同样的分层无放回抽样在 de_recovery 上得到 51.33（vs 本节点 with-replace 的 49.35），且无放回避免了重复细胞导致的经验分布失真，应同时有利于 covariation。+在父节点（纯加权无放回抽样、无位移）基础上做两处改动：(1) 将家族权重从 1.6/0.15/0.9 微调为 1.5/0.2/0.95，降低极端性以改善 cell_state（实验表 attempt 3 显示较温和权重 1.35/0.4 使 cell_state 从 51.14 升至 52.20）；(2) 加入型内距离分层抽样（按到质心距离分 12 个 bin，按 bin 比例无放回抽取），保持型内表达分布形状，预期同时有利于 cell_state 和 covariation。不加任何表达位移，避免破坏 covariation（第 0 轮已证明位移在 with-replace 下有害，此处保守不加）。 ## 用到的知识与出处-Program 1 实验结果（de_recovery 51.33、direction 54.01，分层无放回 + EB 位移）；父节点 9 配置（权重 1.6/0.15/0.9）；第 0 轮反馈证明 EB 位移在 with-replace 下破坏 covariation，故本轮只用无放回抽样、不加位移。+父节点 30 ANALYSIS 中 next_suggestions 第 3 条（微调家族权重改善 cell_state）；attempt 3 实验结果（温和权重 + binning → cell_state 52.20）；方法卡 T1-01 组成重加权方向；k041 无（本次未用伪时间工具）。diff --git a/solution/run.py b/solution/run.pyindex 05ac101..11f16f6 100644--- a/solution/run.py+++ b/solution/run.py@@ -40,14 +40,17 @@ _GUT_PAT = re.compile(     re.IGNORECASE, ) +N_BINS = 12+MIN_CELLS_FOR_BINNING = 15+  def family_weight(name: str) -> float:     if _HEART_PAT.search(name):-        return 1.6+        return 1.5     if _REDUCED_PAT.search(name):-        return 0.15+        return 0.2     if _GUT_PAT.search(name):-        return 0.9+        return 0.95     return 1.0  @@ -70,6 +73,8 @@ def main() -> None:     rng = np.random.default_rng(args.seed)     n_target = target_n_cells(manifest, last.n_obs) +    from scipy import sparse as sp+     unique_labels, counts = np.unique(labels, return_counts=True)     n_total = len(labels)     raw_w = np.array([family_weight(str(u)) for u in unique_labels], dtype=np.float64)@@ -88,6 +93,39 @@ def main() -> None:         type_idx = np.where(labels == u)[0]         if n_take >= len(type_idx):             indices.append(type_idx)+            continue+        if len(type_idx) > MIN_CELLS_FOR_BINNING and n_take >= 5:+            sub = last.X[type_idx]+            if sp.issparse(sub):+                sub = np.asarray(sub.todense())+            else:+                sub = np.asarray(sub)+            centroid = sub.mean(axis=0)+            dists = np.linalg.norm(sub - centroid, axis=1)+            bin_edges = np.quantile(dists, np.linspace(0, 1, N_BINS + 1)[1:-1])+            bin_ids = np.searchsorted(bin_edges, dists)+            bin_props = np.bincount(bin_ids, minlength=N_BINS) / len(type_idx)+            per_bin = np.floor(bin_props * n_take).astype(int)+            rem = n_take - per_bin.sum()+            fr = (bin_props * n_take) - per_bin+            for i in np.argsort(-fr)[:rem]:+                per_bin[i] += 1+            per_bin = np.minimum(per_bin, np.bincount(bin_ids, minlength=N_BINS))+            chosen = []+            for b in range(N_BINS):+                b_idx = type_idx[bin_ids == b]+                nb = min(per_bin[b], len(b_idx))+                if nb > 0:+                    chosen.append(rng.choice(b_idx, size=nb, replace=False))+            if chosen:+                sel = np.concatenate(chosen)+            else:+                sel = rng.choice(type_idx, size=n_take, replace=False)+            if len(sel) < n_take:+                leftover = np.setdiff1d(type_idx, sel)+                extra = rng.choice(leftover, size=n_take - len(sel), replace=False)+                sel = np.concatenate([sel, extra])+            indices.append(sel)         else:             indices.append(rng.choice(type_idx, size=n_take, replace=False))     rows = np.concatenate(indices)

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
```python
#!/usr/bin/env python3
"""Composition reweighting: weighted sampling from latest official input stage.

Cell types are classified into families by regex patterns on their names.
Heart-related types are upweighted, surface ectoderm / extraembryonic /
neural types are downweighted or dropped. Expression values are unchanged.

Uses include_external=False to avoid mismatched-label external stages in
proxy2. Falls back to all stages if no official inputs exist (X3).
"""

from __future__ import annotations

import argparse
import re

import numpy as np

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

_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,
)
_GUT_PAT = re.compile(