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

节点 n24

每细胞进度调制的加法位移（β=1 增益）：alpha_i 由细胞在类型 delta 方向的秩百分位决定（GAMMA=6，均值仍 0.4），更新 x'=clip(x+alpha_i·delta·(1+x),0) 只作用于非零元。

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 7f0c916171: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 99f95f3855。改动的文件：solution/METHOD.md +56 −74、solution/README.md +5 −4、solution/run.py +24 −10

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 5ae1c59..bc0a131 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,90 +1,72 @@-每细胞进度调制的乘法位移：把细胞在自己类型 delta 方向上的秩百分位映射成 alpha_i（均值仍 0.4），领先细胞位移更大、落后细胞更小。+每细胞进度调制的加法位移（β=1 增益）：alpha_i 由细胞在类型 delta 方向的秩百分位决定（GAMMA=6，均值仍 0.4），更新 x'=clip(x+alpha_i·delta·(1+x),0) 只作用于非零元。 -## 提交的方法+## 方法 -- 读全部输入阶段（`inputs_by_time`）。≥2 个阶段时取最后两个 prev、last，对同时出现在-  两阶段的每个细胞类型 c 计算 log1p 伪批量差 `delta_c = mean(last|c) - mean(prev|c)`-  （与父节点 6 完全相同）。-- 从 last 阶段按 `[min_cells, max_cells]` 抽样（`sample_rows`，与父节点相同的 rng 顺序）。-- **新增：每细胞进度调制。** 对每个抽到的、类型为 c 的细胞 i：-  - `proj_i = <x_i - mean_type_c, delta_c> / (||x_i - mean_type_c|| · ||delta_c||)`-    （细胞在该类型时间方向上的余弦进度；按 1024 行分块稠密化，全程 float64，内存 O(nnz)）；-  - `r_i = proj_i` 在该类型内的秩百分位（`(rank+0.5)/n`，均匀分布在 [0,1]）；-  - `alpha_i = clip(ALPHA · (1 + GAMMA·(r_i − 0.5)), 0, 2·ALPHA)`，`ALPHA=0.4`、`GAMMA=4.0`。-    对称饱和保证 `mean(alpha_i) = ALPHA`：伪批量位移与父节点相同，只改变细胞间的位移差异。-    GAMMA=4 + 饱和 ⇒ 后 25% 细胞不位移、前 25% 位移 alpha=0.8、中间线性。-- 表达更新只作用于稀疏矩阵已存非零元（稀疏结构/dropout 完全保留）：-  `x' = clip((1+x)·exp(alpha_i·delta_c) − 1, 0)`。-- 仅在 last 出现的类型不位移；单输入阶段或无共享类型时自动退化为 copy_last。-- 不含任何绝对时间、视图路径、阶段名、细胞数硬编码；`np.random.default_rng(seed)`，-  秩用 `argsort(kind="stable")`，对 seed 确定。+与父节点 22 相同的框架，只换表达更新式： -## 与 PLAN 的差别（重要）+- ≥2 输入阶段时对共有类型 c 计算 log1p 伪批量差 `delta_c = mean(last|c) − mean(prev|c)`；+- 从 last 阶段按 `[min_cells, max_cells]` 抽样（rng 顺序与父节点一致）；+- 每细胞进度调制不变：`proj_i` = 细胞类型内中心化表达与 `delta_c` 的余弦，`r_i` = 类型内秩百分位，+  `alpha_i = clip(0.4·(1+6·(r_i−0.5)), 0, 0.8)`（对称饱和 ⇒ mean(alpha_i)=0.4，伪批量位移不变）；+- **更新式改为**：`x' = clip(x + alpha_i·delta_c·(1+BETA·x), 0)`，`BETA=1.0`，只作用于稀疏矩阵已存非零元+  （dropout 结构完全保留）。BETA=1 是父节点乘法式 `(1+x)·exp(alpha·δ)−1` 的一阶线性化：保留 de_recovery+  所需的轻度表达依赖增益，去掉指数放大对基因共变结构的扭曲；+- 单输入阶段或无共享类型退化为 copy_last；无绝对时间/视图路径/阶段名/细胞数硬编码，对 seed 确定。 -PLAN 的 `p_i = (clip(proj_i, 0.05, 0.95) − 0.05)/0.9` 假设 proj∈[0,1]，但实测-proj 是余弦值（各类型 std 仅 0.035–0.05，绝大多数 < 0.05），下界 0.05 把几乎所有-细胞截成 p=0：`std(p_i)` 只有 0.003–0.018（PLAN 风险 1 的退化情形），alpha_i 实际-落在 [0.55, 0.60]，等于「均匀 alpha≈0.6」——已知更差（47.83）。改成**类型内秩百分位**-后 `std(p_i)=0.289`，alpha 真正铺开 [0, 0.8]，调制才生效。PLAN 假设「落后细胞需要更多-位移」（GAMMA<0）也被数据否定：GAMMA<0 一律更差，**领先细胞位移更大**才对（与节点 17-在加法 Top-K EB 支上 γ=−1 的最优符号一致，跨家族复现）。--## 实测（X3 A 半，`vec-score --task X3_qiu_heart_early`，board = 4 组均值）--seed 0 扫描（均为 mult 支、ALPHA=0.4）：+## 实测（X3 A 半，`vec-score --task X3_qiu_heart_early`，seed 0）  | 方案 | board | de_rec | dir | cell_state | covar | |---|---|---|---|---|---|-| GAMMA=0（= 父节点 6，已核对逐组一致） | 48.288 | 48.18 | 48.97 | 48.20 | 47.70 |-| GAMMA=−1（PLAN 原设想的方向） | 48.098 | 48.18 | 49.02 | 47.46 | 47.80 |-| GAMMA=−2 | 47.811 | 47.75 | 49.05 | 46.76 | 47.92 |-| GAMMA=+1 | 48.496 | 48.18 | 48.90 | 49.01 | 47.61 |-| GAMMA=+1.5 | 48.609 | 48.18 | 48.89 | 49.42 | 47.58 |-| GAMMA=+2（不饱和上限） | 48.726 | 48.18 | 48.87 | 49.85 | 47.54 |-| GAMMA=+3（饱和） | 48.762 | 47.75 | 48.86 | 50.33 | 47.54 |-| **GAMMA=+4（饱和，提交）** | **48.815** | 47.75 | 48.86 | 50.50 | 47.56 |-| GAMMA=2, ALPHA=0.35 / 0.45 | 48.637 / 48.604 | 47.75 | 48.86 / 48.92 | 49.82 / 49.87 | 47.68 / 47.39 |-| proj 只取 Top-500 |δ| 基因（GAMMA=−1） | 48.097 | 48.18 | 49.03 | 47.45 | 47.80 |--3 种子配对（seed 0/1/2，A 半）：+| 父节点 mult g4 a0.4 | 48.815 | 47.75 | 48.86 | 50.50 | 47.56 |+| mult g6 a0.4 | 48.856 | 47.75 | 48.86 | 50.64 | 47.56 |+| 纯加法 add g4 a0.4 (β=0) | 47.862 | 44.17 | 48.95 | 49.83 | 48.17 |+| add g4 a1.0 β=0 | 48.558 | 46.90 | 48.84 | 50.25 | 47.73 |+| add g4 a1.4 β=0 | 48.793 | 47.75 | 48.90 | 50.48 | 47.42 |+| add β=0.3 a0.4 g4 | 48.483 | 46.49 | 48.97 | 50.03 | 48.04 |+| add β=1.0 a0.4 g4 | 48.927 | 48.18 | 48.86 | 50.41 | 47.72 |+| add β=1.0 a0.4 g5 | 48.954 | 48.18 | 48.86 | 50.49 | 47.73 |+| **add β=1.0 a0.4 g6（提交）** | **48.968** | 48.18 | 48.86 | 50.53 | 47.73 |+| add β=1.0 a0.4 g8 | 48.878 | 47.75 | 48.86 | 50.59 | 47.75 |+| add β=1.3 a0.4 g4 | 48.833 | 47.75 | 48.91 | 50.53 | 47.54 |+| add β=1.0 a0.45/a0.5 g4 | 48.825/48.833 | 47.75 | 48.89/48.92 | 50.49/50.57 | 47.60/47.48 |+| add β=1.0 a0.4 g2 | 48.731 | 48.18 | 48.88 | 49.76 | 47.68 |++3 种子配对（A 半，seed 0/1/2）：  | 方案 | s0 | s1 | s2 | 均值 | |---|---|---|---|---|-| GAMMA=0（父） | 48.288 | 48.587 | 48.826 | 48.567 |-| GAMMA=+2 | 48.726 | 48.953 | 49.289 | 48.989 |-| **GAMMA=+4** | **48.815** | **49.142** | **49.490** | **49.149** |--GAMMA=+4 在三个种子上配对差都为正（+0.53 / +0.56 / +0.66），一致性支持不是单种子噪声，-但幅度（+0.58）远小于 T1 约 2 分的噪声判据，**不能当作确定进步**；采纳它的理由是三个-种子方向一致且机理与节点 17 独立复现。`solution/run.py` 的输出与打分用的 GAMMA=4 变体-逐位一致（seed 0 board 48.8151 复现），`vec-check` 通过，运行 2.1 s。--## 机理结论（供后续节点）--1. **均值保持的 per-cell alpha 调制是「只动分布、不动伪批量」的杠杆**：GAMMA 从 0→2 时-   de_recovery 锁死 48.18、direction 只动 ±0.1，全部增益来自 cell_state（48.20→49.85），-   covariation 仅 −0.16。父节点 METHOD 里「乘法项同时带来 de_recovery 收益和-   cell_state/covariation 损失、无法解耦」的结论**被推翻**：解耦办法是保持 mean(alpha)-   不变、只让 alpha 在细胞间铺开。-2. 正确的调制符号是**领先细胞位移更大**（正反馈式异步发育），不是 PLAN 设想的追赶式。-   GAMMA 越大越好直到饱和把 alpha 压到 [0, 0.8] 两端；GAMMA>2 后 de_recovery 掉到 47.75-   （离散跳变，0.35/0.45 的 alpha 也落到 47.75，说明该指标对小幅变化是分档的），-   但 cell_state 的增益（+0.65）大于 de_recovery 的损失（−0.43）。-3. 余弦进度的绝对尺度极小（|δ| 中位 0.0009，proj std≈0.05），任何假定 proj∈[0,1] 的-   归一化都会退化；必须用秩或 z 分数。+| 父 mult g4 | 48.815 | 49.142 | 49.490 | 49.149 |+| **add β=1 g6** | **48.968** | **49.303** | **49.544** | **49.271** |++三个种子配对差均为正（+0.15/+0.16/+0.05），方向一致但幅度远小于 T1 约 2 分的噪声判据，**不是确定进步**；+分组结构上比父节点好在 de_recovery（48.18 vs 47.75，回到不饱和档）与 covariation（47.72–47.75 vs 47.56），+cell_state 略低（50.41–50.53 vs 50.50，噪声内）。`solution/run.py` 输出与打分变体逐位一致，seed 0 复跑+逐位相同，`vec-check` 通过，CPU 运行约 4 s。++## 结论与教训（供后续节点）++1. **纯加法（β=0）在 X3 上不可行**：de_recovery 随位移幅度单调（44.17@α0.4 → 46.90@α1.0 → 47.75@α1.4），+   即使 α 加大到 1.4 也只追平父节点的 de_rec，且 covariation 反被大 α 拉低——PLAN 风险 1 成真，+   但 β=1 的线性化增益完全修复了它（de_rec 48.18，比父节点的乘法指数式还高一档）。+2. de_recovery 是**分档**的（44.17/46.49/46.90/47.75/48.18），档间由有效位移幅度决定；+   48.18 ↔ 47.75 的边界很陡：β=1.0 时 α=0.45、0.5、1.3、GAMMA=8 都掉档，只有 (α0.4, β1.0, γ≤6) 保住 48.18。+   这个边界在不同 seed 上会移动（提交配置 s1 de_rec=46.09、s2=46.9，靠 direction/cell_state/covar 补偿），+   说明单一配置骑在档位边缘，B 半上可能落回父节点水平。+3. GAMMA 在 β=1 支上 4→5→6 单调微升、8 掉档（de_rec 47.75），最优 γ 随更新式的强度移动：乘法支 γ=4 饱和最优，+   线性化支 γ=6 最优。+4. covariation 在 β=0→1 时从 48.17 降到 47.72：表达依赖增益（无论线性还是指数）本身就会压 covariation，+   与「乘法扭曲共变」的 PLAN 假设部分一致，但纯加法的 covar 优势（+0.6）不足以抵 de_rec 损失（−4）。  ## 没验证的 -- B 半与 final 视图（阶段间隔是 X3 的 4 倍）上 GAMMA=4 是否仍最优：final 上 delta 更大、-  proj 分布更宽，饱和阈值可能需要重扫；GAMMA 是常数超参，不随间隔自适应（按视图无关-  规则不能用绝对时间，但**可以**用 `dt = target − last` 或两输入之差做自适应，未试）。-- covariation 仍比 copy_last 低约 1 分（47.56 vs 48.59），未找到同时抬两组的办法。-- 未试：秩百分位换成 z 分数/非线性映射、按 `dt` 缩放 GAMMA、把调制同时用到抽样权重。+- B 半与 final 视图（间隔为 X3 的 4 倍，delta 更大）：β=1 线性化在大 delta 下与指数式偏离更大+  （exp(αδ)−1 ≈ αδ + (αδ)²/2），final 上可能需要重扫 β/α；de_rec 档位边界在 B 半的位置未知。+- 提交配置骑在 de_rec 48.18 档边缘（α=0.45 即掉档），seed 间 de_rec 波动大（46.09–48.18），+  正式分（B 半 seed 0）存在掉档风险；3 种子 A 半均值 +0.12 小于噪声，改进置信度低。+- 未试：β 按 dt 自适应、非对称 GAMMA、调制用于抽样权重。  ## 生物学知识来源 -只用了通用机制知识（不针对禁窗阶段）：同一类型的细胞群在发育时间上是**异步**推进的，-处于轨迹更前端的个体细胞对群体平均位移的贡献应更大（发育异步性 / 谱系推进的一般性质，-见方法卡 §5「可以用的：不针对禁窗阶段的通用机制知识」）。未使用任何保留阶段或保留基因型-的测量、比例、标记基因或类型清单；未读 `uns.celltype_palette`；`external/`、`prior/`-本节点均未使用。+仅通用机制知识：发育异步性（同类型细胞群沿轨迹异步推进，领先个体位移更大），与父节点相同；+更新式的 (1+x) 增益是对 log1p 计数空间的数学线性化，不依赖任何保留阶段/基因型的测量。+未读 `uns.celltype_palette`，未使用 `external/`、`prior/`。diff --git a/solution/README.md b/solution/README.mdindex b8274f9..76d7d37 100644--- a/solution/README.md+++ b/solution/README.md@@ -1,5 +1,6 @@-# 保守 per-type 乘法位移（mult shift, alpha=0.4）+# 每细胞进度调制的加法位移（β=1 线性化增益） -≥2 输入阶段时：对两阶段共有类型 c 计算 log1p 伪批量差 delta_c，把最后阶段-抽样细胞的非零元按 x' = clip((1+x)*exp(0.4*delta_c)-1, 0) 缩放（保稀疏）。-单输入阶段退化为 copy_last。详见 METHOD.md。+≥2 输入阶段时：对两阶段共有类型 c 计算 log1p 伪批量差 delta_c；抽样细胞的+alpha_i = clip(0.4·(1+6·(r_i−0.5)), 0, 0.8)，r_i 为细胞在 delta_c 方向余弦进度的类型内秩百分位；+非零元按 x' = clip(x + alpha_i·delta_c·(1+x), 0) 更新（保稀疏）。单输入退化为 copy_last。+详见 METHOD.md。diff --git a/solution/run.py b/solution/run.pyindex 3dd3427..7aaabba 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,13 +1,13 @@ #!/usr/bin/env python3-"""Per-cell progress-modulated conservative temporal shift (sparsity preserving).+"""Per-cell progress-modulated additive temporal shift (sparsity preserving).  With >=2 input stages: delta_c = mean(last|c) - mean(prev|c) in log1p space for every cell type present in both stages. Each sampled cell of the last stage gets its own shift strength alpha_i, derived from how far the cell already lies along its type's temporal direction: -    proj_i = <x_i - mean_type_c, delta_c> / (||x_i - mean_type_c|| * ||delta_c||)-    r_i    = rank-percentile of proj_i inside type c        (uniform in [0,1])+    proj_i  = <x_i - mean_type_c, delta_c> / (||x_i - mean_type_c|| * ||delta_c||)+    r_i     = rank-percentile of proj_i inside type c        (uniform in [0,1])     alpha_i = clip(ALPHA * (1 + GAMMA * (r_i - 0.5)), 0, 2*ALPHA)  GAMMA > 0 means cells already pointing along the E(prev)->E(last) change are@@ -17,7 +17,13 @@ DE-level metrics it drives) is unchanged while within-type heterogeneity is preserved/expanded instead of uniformly compressed.  Expression update (stored nonzeros only, so the dropout pattern is preserved):-    x' = clip((1 + x) * exp(alpha_i * delta_c) - 1, 0)+    x' = clip(x + alpha_i * delta_c * (1 + BETA * x), 0),  BETA = 1.0++BETA=0 is a pure per-gene translation (preserves covariation best but loses+too much de_recovery); BETA=1 is the linearisation of the multiplicative+(1+x)*exp(alpha*delta)-1 update and keeps the mild expression-dependent gain+that DE genes need, while avoiding the full exponential amplification that+distorts gene-gene covariance.  With a single input stage (or no shared types) this reduces to copy_last. """@@ -39,7 +45,9 @@ from src.task1_temporal.view_io import ( )  ALPHA = 0.4-GAMMA = 4.0+GAMMA = 6.0+MODE = "add"+BETA = 1.0 BLOCK = 1024  @@ -85,7 +93,7 @@ def _alphas(proj: np.ndarray, alpha: float, gamma: float) -> np.ndarray:     return np.clip(a, 0.0, 2.0 * alpha)  -def mult_shift(X, labels, deltas, alpha, gamma):+def apply_shift(X, labels, deltas, alpha, gamma, mode, beta=0.0):     X = X.tocsr().astype(np.float32).copy()     for t in np.unique(labels):         if str(t) not in deltas:@@ -93,9 +101,15 @@ def mult_shift(X, labels, deltas, alpha, gamma):         idx = np.flatnonzero(labels == t)         sub = X[idx]         a = _alphas(_progress(sub, deltas[str(t)]), alpha, gamma)-        newvals = (sub.data.astype(np.float64) + 1.0) * np.exp(-            np.clip(np.repeat(a, np.diff(sub.indptr)) * deltas[str(t)].astype(np.float64)[sub.indices], -10, 10)-        ) - 1.0+        a_cell = np.repeat(a, np.diff(sub.indptr))+        d_nnz = deltas[str(t)].astype(np.float64)[sub.indices]+        if mode == "mult":+            newvals = (sub.data.astype(np.float64) + 1.0) * np.exp(np.clip(a_cell * d_nnz, -10, 10)) - 1.0+        elif beta > 0.0:+            xd = sub.data.astype(np.float64)+            newvals = xd + a_cell * d_nnz * (1.0 + beta * xd)+        else:+            newvals = sub.data.astype(np.float64) + a_cell * d_nnz         np.maximum(newvals, 0.0, out=newvals)         out = sub.copy()         out.data = newvals.astype(np.float32)@@ -124,7 +138,7 @@ def main() -> None:         labels_last = last.obs["celltype"].astype(str).to_numpy()         deltas = type_deltas(prev.X, labels_prev, last.X, labels_last)         if deltas:-            X = mult_shift(X, labels_last[rows], deltas, ALPHA, GAMMA)+            X = apply_shift(X, labels_last[rows], deltas, ALPHA, GAMMA, MODE, BETA)     write_prediction(X, genes, args.out, seed=args.seed)  

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

**节点 24 完成。**

- **做了什么**：按 PLAN 把父节点 22 的乘法位移换成加法位移并扫描。纯加法（β=0）在 X3 上 de_recovery 崩到 44.17（PLAN 风险 1 成真），改用线性化增益 `x' = clip(x + alpha_i·delta·(1+x), 0)`（β=1）完全修复：de_rec 回到 48.18（比父高一档）、covar +0.17。GAMMA 在 β=1 支上重扫，最优 γ=6（父乘法支为 4）。
- **查分结果**（X3 A 半）：提交配置 seed 0/1/2 = 48.968 / 49.303 / 49.544（均值 49.271），对父节点 48.815 / 49.142 / 49.490（均值 49.149）三种子配对全正，但幅度 +0.12 远小于噪声；de_rec 骑在档位边缘（α=0.45 即掉档），B 半有回落风险。vec-check 通过、seed 0 复跑逐位确定、纯 CPU ~4s。
- **下一步最值得试**：① de_recovery 是分档指标且档位边界随 seed 移动——按 dt 缩放 α/β 使 final 视图（delta 大 4 倍）不落出 48.18 档；② 把 β=1 线性化增益嫁接到树上最强的 Top-K EB 家族（节点 17，covar 49.76），有望同时抬 de_rec 与 covar；③ 调制用于抽样权重（未试）。

调研员

 {2, 3, 4, 6}, ALPHA ∈ {0.3, 0.4, 0.5}; primary selection criterion = board score, secondary = covariation ≥ 48.0. Expect GAMMA=4 ALPHA=0.4 as starting point. 5) If additive+GAMMA4 recovers covariation to ≥48.5 while keeping cell_state ≥50, submit. If covariation still <48, try a 'soft additive' variant: x'_g = x_g + alpha_i·delta_g·w_g where w_g = δ_g²/(δ_g²+σ²) is a mild per-gene EB shrinkage weight (σ² = median of δ², no external data), which down-weights noisy genes without the hard Top-K cutoff. 6) Single-input fallback: copy_last (identical to parent). Proxy2: delta from E8.5 vs Qiu E9.0; genes missing in Qiu have delta=0 → no shift. Final: delta from E8.5→E9.5 (larger δ); additive form scales linearly (more conservative than exp), no special handling needed. 7) Runtime: additive shift is cheaper than multiplicative (no exp), expect <2 s. Use vec-score on seed 0 first; if board ≥ 49.0, confirm with seeds 1,2.",
  "expected_groups": ["covariation", "cell_state"],
  "risks": "1) Additive shift may underperform multiplicative on cell_state because it lacks the (1+x) amplification that makes high-expression genes move more; if cell_state drops >1.5 points vs node 22, try a compromise: x' = x + alpha_i·delta_g·(1+beta·x_g) with beta∈{0.1,0.3} (mild expression-dependent gain without full multiplicative distortion). Detect early by checking cell_state in the first seed-0 scan. 2) The rank-1 covariance addition delta·delta^T·var(alpha) from per-cell modulation could still slightly perturb covariation; if covariation < 48, reduce GAMMA to 2 (less var(alpha)). 3) Clipping at 0 for genes near zero introduces mild nonlinearity; if >10% of shifted values are clipped, consider allowing small negatives (floor at −0.1) as a variant. 4) Full delta (no Top-K) may let noisy genes add covariation noise; the soft EB weight w_g addresses this if needed. 5) Score differences <2 points are within noise; require consistent direction across seeds 0/1/2 before concluding improvement."
}

审查员

REVIEW.json written