总览 · ← 返回运行 20261002-135403-search-t1-x3-era-mechcheck

节点 n16

nnz-only 加性平移保持父节点 7 默认（--top-k 0 时逐位一致，X3 seed0 A 半 48.1073 与父记录完全吻合）；新增 per-type Top-K z 选择开关，实测 Top-K、alpha>1、frac-floor 幅度放大均为负结果。

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 8029dcba4e: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 f8aad78eb3。改动的文件：solution/METHOD.md +32 −33、solution/run.py +10 −1

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 79e778f..5cf6fb9 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,42 +1,41 @@-nnz_pseudobulk_shift（与父节点 4 逐位一致）：copy_last 抽样后，把每类型伪批量差值只加到细胞原本非零的元素上（截 ≥0），保留 dropout 稀疏结构；新增 hybrid/fold/cap 机制均经 X3 实验否定，默认不启用。+nnz-only 加性平移保持父节点 7 默认（--top-k 0 时逐位一致，X3 seed0 A 半 48.1073 与父记录完全吻合）；新增 per-type Top-K z 选择开关，实测 Top-K、alpha>1、frac-floor 幅度放大均为负结果。 -## 方法（默认路径 = 父节点 4）+## 方法（默认路径 = 父节点 4/7，未变）  - 读最后两个输入阶段（按 time 排序，视图无关），对同时出现在两阶段的每个细胞类型计算逐基因差值   `delta_g = mean(last|type) - mean(prev|type)`。 - 对抽样输出的每个细胞，仅在其自身 `x_g != 0` 的位置执行 `x_g += alpha * delta_g`（alpha=1.0），截到 ≥0。-  零元素（dropout）完全不动。+  零元素（dropout）完全不动，保留稀疏共变结构。 - 类型不在前一阶段 → 原样复制。单输入阶段 → 退化为 copy_last（同样抽样），不崩。-- 纯 CPU、确定性（`np.random.default_rng(seed)`）。默认输出与父节点 md5 逐位一致（已验证）。-- 新增命令行开关（默认关闭，不影响默认行为）：`--mode hybrid/fold/combo`、`--frac-thresh`、-  `--fold-alpha`、`--fold-cap`、`--max-delta`。--## 本节点验证了什么（X3 视图，vec-score A 半）--PLAN 的核心假设（对高 nnz-frac 基因用 dense add 可在不伤 covariation 的前提下抬 de_recovery）**被否定**：--- hybrid（frac>ft 的基因 dense add，其余 nnz-only，alpha=1.0，seed 0）：-  ft=0.3 → 44.28（cov 32.2）；ft=0.5 → 46.85（cov 42.6）；ft=0.7 → 47.89（cov 47.0）。-  对照组纯 nnz 同 seed 为 48.11（cov 47.8）。dense 比例越高 covariation 单调越差，-  且 de_recovery 停在 46.9，与纯 nnz 完全相同——高表达基因 dense add 并不提升 de_recovery。-- fold（线性空间倍数变化乘到非零元素，cap 4）：fold_alpha=1.0 → 47.44；0.5 → 47.40；-  combo（add 0.5 + fold 0.5）→ 47.79。全部低于纯 nnz 48.11，且 direction 变差-  （de_direction -0.043~-0.046 vs -0.027）。-- delta 截断 `--max-delta`：cap=0.25 → 48.25，cap=0.15 → 48.31，cap=0.1 → 48.28，cap=0.5 → 48.11-  （seed 0）。3 种子均值（seed 0/1/2）：无 cap 48.50，cap0.15 48.53，cap0.25 48.52——-  全部在 2 分噪声内无法区分，cap 的 seed-0 增益不跨种子复现（seed 1/2 上 de_recovery 反而略降）。-  故默认不启用 cap。-- 结论：在 X3 上，「只动非零元素的常数加法平移（alpha≈0.75–1.0，全基因）」是该家族的局部最优，-  ~48.1–48.3（A 半）；平移的施加方式（dense/hybrid/fold/截断）都未能超出噪声地改进。--## 没验证什么--- 未在 T1 proxy/proxy2/final 官方视图上跑分（本节点只有 X3 额度）；单输入退化路径未改动，按构造等于 copy_last。-- cap/hybrid/fold 在 T1 final（步长 1d）上的行为未测；X3 步长 0.25d，结论外推需谨慎。-- 3 种子均在 X3 A 半上比较；B 半的地板/天花板可能压缩差异。+- 纯 CPU、确定性（`np.random.default_rng(seed)`）；不读视图路径/文件名/绝对时间，视图无关。+- 新增开关 `--top-k`（默认 0 = 关闭）：每类型按 z=|delta|/se 降序只保留前 K 个基因做 nnz-only 平移。+  默认输出与父节点逐位一致（新代码仅在 top_k>0 时进入）。++## 本节点验证了什么（X3 视图，vec-score A 半，共 9 次查分）++PLAN 假设「硬 Top-K 截断可同时改善 covariation 与 de_recovery」**半对半错，净效应为负**：++- Top-K（seed 0，alpha=1.0，nnz-only）：K=300/500/1000/2000 → 47.69/47.76/47.80/47.90，+  全部低于同 seed 基线 K=0 的 48.11。分组看：covariation 确实随 K 减小而升（47.8→48.32），+  cell_state 也升（48.6→49.01），**但 de_recovery 单调暴跌**（46.9→44.17@K300，45.3@K2000），+  完全抵消增益。这直接证实父节点教训：de_recovery 由平移覆盖的基因数决定——+  任何减少被平移基因数的选择（硬 Top-K 与节点 9 的软收缩同理）都伤 de_recovery。+  由于四个 K 一致为负且机制明确，按 PLAN 规则不再耗额度做 3 种子确认。+- alpha 加大：alpha=1.25 → 48.09（de_rec 升到 47.32 但 cell_state/covariation 各降 ~0.3）；+  alpha=1.5 → 47.86。确认 alpha∈[0.75,1.25] 饱和、1.0 为最优。+- `--frac-floor 0.5/0.25`（对低 nnz-frac 基因把幅度放大至 1/frac，最多 2x/4x，+  不增加被扰动的非零元素数）→ 47.55/47.19，全部更差：选择性放大幅度同样伤 covariation/cell_state。++## 结论与下一步++- 本家族（copy_last 抽样 + per-type 常数平移）在 X3 上的局部最优仍是父配置：+  全基因、alpha=1.0、nnz-only、幅度不重排。值层面（方式/幅度/基因选择）三个轴已全部否定。+- 未再测组成比例感知抽样（父建议 #1）：节点 14 已在相同抽样层上对 COMP_ALPHA∈{0.05…1.0}+  做过 seed0/seed1 配对裁决，结果为负，机制与平移分支无关，预期不迁移。+- 通路平滑 delta（父建议 #2）已被节点 8/12 在另外两个分支各测过一轮，均 ≤0.03 噪声内，不再重复。+- 下一步若还想提分，需换出本家族：如引入外部数据的插值/OT 映射，或改变抽样云本身+  （按类型内亚结构重加权），而非继续调平移。  ## 知识来源 -未使用任何阶段特异生物学先验（无标记基因、无类型清单、无禁窗信息）。唯一假设是通用机制性的：-相邻阶段间测得的伪批量差异是该发育方向变化的可用局部近似。全部统计量从 manifest 指定的输入视图-现场计算，不依赖绝对时间、视图路径或数据集名（视图无关）。+无外部生物学知识；仅使用视图内两个输入阶段的实测伪批量差值（通用假设：已测阶段间差值是局部变化方向）。diff --git a/solution/run.py b/solution/run.pyindex 3648927..3c2be2d 100644--- a/solution/run.py+++ b/solution/run.py@@ -62,6 +62,7 @@ def type_shifts(     z_thresh: float,     min_delta: float,     max_delta: float = 0.0,+    top_k: int = 0, ) -> dict[str, tuple[np.ndarray, np.ndarray]]:     """Per type: (selected gene columns, delta on those columns, nnz frac, fold)."""     out: dict[str, tuple[np.ndarray, np.ndarray]] = {}@@ -82,6 +83,11 @@ def type_shifts(         se = np.sqrt(v_l / len(il) + v_p / len(ip) + EPS)         z = np.abs(d) / se         sel = (z >= z_thresh) & (np.abs(d) >= min_delta)+        if top_k > 0 and sel.sum() > top_k:+            idx = np.flatnonzero(sel)+            keep = idx[np.argsort(-z[idx], kind="stable")[:top_k]]+            sel = np.zeros_like(sel)+            sel[keep] = True         if sel.any():             out[str(t)] = (                 np.flatnonzero(sel),@@ -102,6 +108,9 @@ def main() -> None:     parser.add_argument("--min-delta", type=float, default=0.0)     parser.add_argument("--max-delta", type=float, default=0.0,                         help="if >0, clip per-gene delta to [-max_delta, max_delta]")+    parser.add_argument("--top-k", type=int, default=0,+                        help="if >0, per type shift only the top-K genes by |delta|/se "+                             "(after z/min-delta selection); 0 = no limit")     parser.add_argument("--floor", type=float, default=0.0,                         help="optional soft floor after shift (e.g. -0.1); None = no clip")     parser.add_argument("--frac-floor", type=float, default=1.0)@@ -140,7 +149,7 @@ def main() -> None:         prev = read_stage(args.data, stages[-2], genes)         shifts = type_shifts(             prev.X, labels_of(prev), last.X, labels_of(last), args.z, args.min_delta,-            args.max_delta,+            args.max_delta, args.top_k,         )         del prev         if shifts:

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）。

用到的知识库条目

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

工程师

完成。总结：

**做了什么**：在父节点 7 的 run.py 上新增 `--top-k`（per-type 按 z=|delta|/se 只平移前 K 个基因，默认 0=关闭，默认输出与父逐位一致，md5 验证），并按 PLAN 在 X3 上筛选了 Top-K、alpha>1、frac-floor 幅度放大三个方向，全部为负；最终回退为父配置，METHOD.md 记录负结果。

**查分结果**（X3 A 半 seed 0，用 9/20 次额度）：基线 48.11；K=300/500/1000/2000 → 47.69/47.76/47.80/47.90（cov +0.5 但 de_recovery −1.6~−2.7，证实 de_recovery 由平移基因覆盖数决定）；alpha 1.25/1.5 → 48.09/47.86；frac-floor 0.5/0.25 → 47.55/47.19。vec-check 通过，seed 0/1 确定性验证通过。

**下一步最值得试**：本家族三个值层面轴（施加方式/幅度/基因选择）已穷尽，继续在 copy_last+常数平移内调参无空间；应换家族——用 external/ 的 Qiu E8.75/E9.0 做类型内亚结构重加权或 OT 映射生成抽样云，而非只平移伪批量。

调研员

```json
{
  "name": "Top-K z-score 基因选择 + nnz-only 加性平移（攻 covariation）",
  "motivation": "父节点 7 四组中 covariation 最弱（47.62），其次 de_recovery（48.28）。节点 5（Top-K=500 EB 收缩）在 covariation 上达到 49.76、de_recovery 48.69，均优于节点 7 的 47.62/48.28，说明减少被平移基因数、聚焦高置信变化基因能同时改善这两组。节点 9 的 EB 软收缩（连续降权）失败（48.43），但那是软阈值；硬 Top-K 截断（完全不平移噪声基因）是不同机制，尚未在节点 4/7 的 alpha=1.0 加性框架下单独测试过。节点 7 ANALYSIS 明确指出'值层面施加方式已穷尽'，但'选哪些基因施加'这一轴尚未在本分支探索。",
  "approach": "在父节点 7 的 run.py 基础上，修改 type_shifts 函数的基因选择逻辑：\n1. 对每个共有类型，按已有代码计算逐基因 delta 和 se，得到 z = |delta|/se。\n2. 新增参数 --top-k（默认 0 = 不筛选，与父节点逐位一致）。当 top-k > 0 时，每类型只保留 z 分数最高的 K 个基因（若该类型有效基因不足 K 则全选），仅对这些基因执行 nnz-only 加性平移（alpha=1.0 不变，截 ≥0 不变）。\n3. 参数搜索：K ∈ {300, 500, 1000, 2000}，alpha 固定 1.0。先用 X3 A 半 seed 0 快速筛选（4 次查分），选出最优 K；再用 3 个 seed（0/1/2）均值确认（额外 2 次查分，共 6 次）。差异需 >0.5 分才视为信号（噪声 2 分，3 种子均值标准误约 1.2）。\n4. 若 X3 上确认有效（≥0.5 分提升），用剩余查分额度（约 4-6 次）在 T1 proxy 视图上验证最优 K 是否迁移（T1 final 步长 1d vs X3 0.25d，最优 K 可能不同）。在 T1 proxy 上测 K 和 K±50% 共 3 个值。\n5. 单输入阶段退路：len(stages)<2 时退化为 copy_last（无 delta、无选择），与父节点一致，不崩。\n6. proxy2 兼容：Qiu E9.0 缺失基因用 E8.5 均值补齐后其 delta≈0、z≈0，自然不会被 Top-K 选中，无需特殊处理。\n7. 实现要点：在 type_shifts 中，计算完 z 和 sel 后，若 top_k>0，对 sel 索引按 z 降序排序取前 K 个。改动量约 10 行。默认 --top-k 0 保证与父节点输出逐位一致。\n8. 若所有 K 值在 3 种子均值上均无 >0.5 分提升，回退为父节点配置，在 METHOD.md 记录负结果。",
  "expected_groups": ["covariation", "de_recovery"],
  "risks": "1. Top-K 可能在 X3（步长 0.25d）上有效但在 T1（步长 1d）上最优 K 不同甚至无效——用剩余查分额度在 T1 proxy 上验证，若不一致则以 T1 proxy 结果为准。2. 减少基因数可能降低 cell_state（平移量减小）——若 cell_state 下降 >1 分而 covariation 提升 <1 分则回退。3. 30 分钟时限紧：实现约 5 分钟，X3 筛选 6 次查分约 6 分钟，T1 proxy 验证 3-4 次约 8 分钟，总计约 20 分钟，留 10 分钟余量。Engineer 应先用最小改动（只加 --top-k 参数和排序截断）跑通，再调参。4. 若 X3 seed-0 上某 K 值提升 <0.3 分，不要追加该值的测试，直接换下一个 K（节点 7 教训：seed-0 上 <0.3 分增益不跨种子复现）。",
  "sources": []
}
```