总览 · ← 返回运行 20261002-202907-search-t1-scr-A

节点 n14 在终选来历上

在 node 7（iso-add β=3）之上加逐 PC 方差重归一 + PC 子空间部分重投影（blend m=0.3）：对被形状化 5 型的预测细胞，把 PC 残差按 (1+c)²·var_obs/var_pred 向目标方差校正，再以 0.3 权重向 25 维 PC 重构收缩，非零掩码 + clip≥0 保持支撑；X3 A 半 seed0/1 = 61.60/61.00（父 57.67/57

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 2f9cad682f: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 e5e626d75e。改动的文件：solution/METHOD.md +27 −34、solution/run.py +46 −0

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 686a480..530fd0a 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,47 +1,40 @@-低秩形状演化改为各向同性扩张（型内方差加权平均的单一扩张系数，保留加性非零掩码解码），替代父节点的逐 PC 各向异性缩放；PLAN 指定的乘性解码 x·exp(δ/x) 已实现并全扫 β，实测劣于加性，如实报告后不采用。+在 node 7（iso-add β=3）之上加逐 PC 方差重归一 + PC 子空间部分重投影（blend m=0.3）：对被形状化 5 型的预测细胞，把 PC 残差按 (1+c)²·var_obs/var_pred 向目标方差校正，再以 0.3 权重向 25 维 PC 重构收缩，非零掩码 + clip≥0 保持支撑；X3 A 半 seed0/1 = 61.60/61.00（父 57.67/57.69）。 -## 方法+## 方法（family: lowrank_shape；机制 = per-PC variance renormalization + 部分低秩重投影） -上游与父节点（node 5）完全一致：2500 HVG、25 PC（svds，v0=ones 确定性）、分型均值位移 α=1.8、τ=0.3、s=α·dt_out/dt_in clip[0,4]、加性位移只作用于非零元素、clip≥0、单输入退路 copy_last。均值位移部分一行未动（node 4 已验证其靠非零掩码保 de_recovery）。+上游与父节点 node 7 完全一致（2500 HVG、25 PC svds(v0=ones)、α=1.8、τ=0.3、τ_shape=0.5、RLO=1、mc=10、iso-add β=3、非零掩码解码、单输入退路 copy_last），均值位移与形状解码部分一行未动。 -形状部分（family: lowrank_shape，机制=按配对细胞型估计各 PC 型内方差比、收缩后按时间比外推、只扩张，逐细胞缩放其偏离型心的 PC 残差——同型不同细胞因 PC 位置不同得到不同位移，非常数位移）本节点改两处：+新增后处理块（`PCVAR_W>0` 时启用，默认提交配置 PCVAR_W=1.0、PCVAR_MODE=blend、PCVAR_BLEND=0.3）：对每个被形状化的细胞型 t（两阶段各 ≥10 细胞的 5 个可配对型）： -1. **各向同性化（提交版，`LOWRANK_SHAPE_ISO=1` 默认开）**：逐 PC 的 scale_k=β·(sqrt(r_t,k)−1) 替换为单一标量 = 按 var_last_k 加权的均值 Σ_k w_k·scale_k（w_k=var_last_k/Σvar_last），作用于全部 25 PC。动机：各向异性缩放不等比地改变 PC 间方差比例，是 covariation 受损的候选来源；各向同性缩放在 PC 子空间内是均匀线性映射，保持残差方向间的相关结构，只放大整体展宽。τ_shape=0.5、r_t clip[1,4]（RLO=1 只扩张）、mc=10 均不变。-2. **乘性解码（PLAN 指定，`LOWRANK_SHAPE_MODE=mult`，实现完整但未提交）**：x_new = x·exp(clip(δ/x, ±ln5))，x=0 严格保 0（无掩码非线性），x>0 恒正。实测劣于加性（见下表），按 PLAN 预案"若 covariation 仍 <47 判定乘性不足以修复"处理：乘性 β=1–5 全扫，covariation 44.4–46.8，全部 <47（β=0 对照为 47.7），且总分峰值 56.95 低于父节点 57.33 → 判定乘性形式在本数据上不足以修复 covariation，保留加性掩码解码为默认。+1. 取该型预测细胞的 HVG 表达 x_pred，投影到共享 PC 空间：z=(x_pred−mean_h)@V；+2. 逐 PC 计算型内方差 var_pred_k，与理论扩张目标 var_target_k=(1+c_k)²·var_obs_k（c_k=β·(sqrt(r_t)−1)，var_obs_k=last 阶段该型型内 PC 方差）比较，ratio_k=sqrt(var_target/var_pred)；+3. 残差按 1+w·(ratio_k−1) 缩放（w=PCVAR_W），得 z_corr；+4. 解码：`blend` 模式 x_corr=(1−m)·x_pred + m·(z_corr@Vᵀ+mean_h)，m=0.3；再施加 x_pred 的非零掩码、clip≥0，写回原矩阵（非 HVG 列原样保留）。 -## X3 查分记录（A 半；seed0 除注明外）+## X3 A 半查分记录（seed0 除注明外；父基线 57.67/57.69）  | 配置 | 总分 | cell_state | covar | de_rec | dir | |---|---|---|---|---|---|-| β=0 对照（=node 4） | 54.90 | 66.07 | 47.70 | 51.96 | 50.20 |-| 父：aniso-add β=3 | 57.33（s1 57.10） | 75.52 | 45.21 | 52.47 | 50.08 |-| mult aniso β=1/2/3/4/5 | 55.94/56.80/56.95/56.25/54.77 | ≤74.8 | 46.77→41.44 单调降 | | |-| mult iso β=3 / β=4 | 57.41 / 57.31 | 76.18/76.62 | 45.19/44.17 | 51.96 | 50.1 |-| **iso-add β=3（提交）** | **57.67（s1 57.69）** | 76.35 | **45.57** | 52.47 | 50.12 |-| iso-add β=4 | 57.73（s1 57.64） | 77.50 | 44.87 | 51.96 | 50.06 |-| iso-add β=5 / β=8 | 57.53 / 55.58 | | | | |+| delta 解码 w=0.3/0.5/0.7/1.0 | 57.80/57.85/57.74/57.69 | 77.0→77.7 | 45.2→44.5（单调降） | ~52 | ~50.1 |+| recon（m=1）w=0.5/1.0 | 49.71/50.46 | 49.0/51.2 | 50.5/50.9 | 49.5 | 50.1 |+| blend m=0.1 w=1.0 | 59.65 | 80.63 | 48.06 | 53.0 | 50.41 |+| blend m=0.2 w=1.0 | 60.87 | 83.22 | 50.50 | 52.47 | 50.76 |+| **blend m=0.3 w=1.0（提交）** | **61.60（s1 61.00）** | **83.68** | **52.74** | **53.0** | **50.8** |+| blend m=0.4/0.5/0.6 w=1.0 | 61.20/60.39/58.95 | 82.0/78.5/73.7 | 54.7/56.2/57.0 | 52.0/52.0/51.5 | 50.7/50.5/50.3 | -iso-add β=3 与 β=4 两种子均值打平（57.68 vs 57.685），取 β=3：covariation 更高（45.5 vs 44.7）、离崩塌区（β≥8）更远、两种子都稳定高于父节点（+0.34 / +0.59）。提升幅度在 T1 噪声（约 2 分）之内，不宣称显著；选它的依据是双种子方向一致 + covariation 组分同时改善（与机制假设方向一致）。+m 扫描呈单峰：covariation 随 m 单调升（45.6→57.0），cell_state 先升后降（76.4→83.7→49.0），峰值总分在 m=0.3，两侧 m=0.2/0.4 都低 0.4–0.7 分，不是平台尖端；双种子（61.60/61.00 vs 父 57.67/57.69，+3.9/+3.3）远超 T1 噪声（约 2 分）。 -## 机制生效证据（对照 `LOWRANK_SHAPE_BETA=0`）+## 机制生效证据与对照 -- **对照**：β=0 时 shape_scale_by_type 不构建，输出与本节点任何解码模式无关地精确复现 node 4（本节点 β=0 输出与改码前 β=0 输出 maxdiff=0.0；add 模式 β=3 与父节点输出 maxdiff=9.5e-7，浮点噪声级）。-- **改变了哪些细胞**：5 个可配对类型（AVC-CM、IFT-CM、OFT/RV-CM、SV-CM、Unknown，两阶段各 ≥10 细胞）被形状化，其余类型只做均值位移或不动（LOWRANK_FALLBACK=none，与父一致）。-- **非常数位移**：形状增量 δ = c·((z−型心)·Vᵀ) 逐细胞不同（取决于细胞在 PC 空间偏离型心的位置），同型细胞间 |位移| std >0（父节点已量化为 63–115，iso 版同构）。-- **四组分变化**（β=0→iso-add β=3，seed0 A 半）：cell_state 66.07→76.35（+10.3，分布展宽驱动，mmd_u 0.0222→0.0179）、covariation 47.70→45.57（−2.1，仍受损但比父 aniso 版的 45.21 好 +0.36）、de_recovery 51.96→52.47、direction 50.20→50.12。-- **乘性版的支撑断言**（PLAN 要求）：mult 模式预测的非零位置与输入 last-stage 抽样一致（乘性形式自动成立；代码中 x=0 处 exp 项定义为不作用）。提交版为 add 模式，该断言不适用，最终支撑 = 输入支撑 ∩ {加性 clip 后仍非零}（nnz 1278304 vs 对照 1278260，差 0.003%，来自 clip≥0 边界，与父节点行为相同）。+- **关闭对照**：`PCVAR_W=0` 输出与父节点 node 7 输出 maxdiff=0.0（精确复现，机制块完全跳过）。默认配置输出与查分用的 b03 文件 maxdiff=0.0（seed0/1 各自验证）。+- **PLAN 预期 vs 实测**：实测 ratio_k 全部 >1（各型 median 1.12–1.48，AVC-CM max 2.98），即 clip/掩码解码后型内 PC 方差**低于**扩张目标，方差校正方向是进一步扩张而非收缩。但纯方差校正（delta 解码，只加 PC 空间增量、保留基因空间残差）使 covariation 单调**下降**（45.6→44.5）：把各 PC 方差推向 (1+c)²·var_obs 会放大高 PC 的噪声占比，不是 covariation 受损主因——PLAN 假设 1 被部分证伪。+- **实际起作用的机制**：blend 项 m·(z_corr@Vᵀ+mean_h) 把预测向 25 维 PC 子空间部分收缩，直接强化基因间低秩共变结构；covariation 随 m 单调上升证实其为共变组的直接杠杆。cell_state 在 m≤0.3 反而上升（76.4→83.7），说明轻中度去噪（保留 70% 基因空间残差）同时改善了分布形状；m≥0.5 后重构伪影主导，cell_state 崩。方差校正 w=1 与 blend 联用为提交配置；未单独消融 blend 下 w=0（delta w 扫描表明 w 项本身贡献为负或小，blend 是主效应——如实报告：提交配置中两成分未完全分离归因）。+- **改变了哪些细胞**：仅 5 个被形状化型（AVC-CM 36、IFT-CM 139、OFT/RV-CM 114、SV-CM 67、Unknown 130 细胞，seed0）；其余细胞逐元素不变。同型内每细胞校正量取决于其 PC 残差，非常数位移（父节点已量化型内 |位移| std 63–115，本块叠加的增量同样逐细胞不同）。+- **四组分变化（A 半 seed0，vs 父）**：cell_state 76.35→83.68，covariation 45.57→52.74，de_recovery 52.47→53.0，direction 50.12→50.8。 -## 结论与如实报告+## 验证过 / 未验证 -PLAN 的核心假设（掩码非线性是 covariation 受损主因）**不成立**：乘性解码去掉掩码后 covariation 反而更低（44.39 vs 加性 45.21，β=3 aniso），且随 β 单调恶化与加性同步。covariation 损伤主要来自**展宽本身**（各向异性缩放改变 PC 间方差比例 + 展宽稀释相关结构），与父节点 lessons 第 3 条一致。各向同性化部分验证了"PC 间比例不变则 covariation 损伤更小"：iso-add 比 aniso-add covariation 高 0.36、cell_state 高 0.8、总分高 0.34–0.59（噪声内但方向一致）。--## 验证过的--- vec-check ok；seed0 复跑逐元素一致（maxdiff=0）；默认输出与查分过的 iso-add β=3 文件逐元素一致。-- **伪装视图**（时间统一 +1 天、manifest 键序反转重排版、换路径、external/prior 复制）输出与真实视图逐元素 maxdiff=0.0，支撑一致 → 视图无关（iso 系数只由数据内方差算出，无绝对时间依赖）。-- add 模式 β=3 精确复现父节点（maxdiff 9.5e-7）→ 改动是父节点的严格推广。--## 未验证--- iso-add β=3 的优势在 B 半与 final 视图（s=1.8，扩张更温和，平台位置可能不同）上未验证；两种子 A 半差 +0.34/+0.59 均 <2 分噪声。-- 知识来源：无新增外部生物学知识；全部为父节点数据驱动流程的解码/几何变体。外部数据、prior 未使用。+- 验证过：W=0 对照精确复现父节点；m∈{0.1..0.6} 扫描单峰；w=1 固定下双种子一致；vec-check 通过；输出确定（无全局随机，rng 仅用于父节点已有的行采样）。+- 未验证：blend×w 的完整二维网格（w 仅在 delta 模式下扫描过，blend 下固定 w=1）；β 与 m 的交互（β 固定 3）；proxy/final 视图（本节点只在 X3 上查分；m=0.3 是 A 半调参，B 半与 final 的最优点可能偏移，但两侧 m=0.2/0.4 均为正收益，风险有限）。+- 外部数据/prior：均未使用。生物学知识：无新增（沿用父节点）。+- 视图无关：块内只用表达、标签、PC 基与时间比 s（相对时间差），无绝对时间、无路径/视图判断；伪装视图重跑应与真实视图逐元素一致（机制为纯数据函数）。diff --git a/solution/run.py b/solution/run.pyindex e28243c..54e1193 100644--- a/solution/run.py+++ b/solution/run.py@@ -79,6 +79,7 @@ def main() -> None:     shape_mode = os.environ.get("LOWRANK_SHAPE_MODE", "add")     shape_iso = _env_int("LOWRANK_SHAPE_ISO", 1)     exp_clip = _env_float("LOWRANK_SHAPE_EXPCLIP", float(np.log(5.0)))+    pcvar_w = _env_float("PCVAR_W", 1.0)      manifest = load_manifest(args.data)     genes = panel_genes(args.data, manifest)@@ -136,6 +137,7 @@ def main() -> None:     delta_global = Z_last.mean(axis=0) - Z_prev.mean(axis=0)     shift_by_type: dict[str, np.ndarray] | None = None     shape_scale_by_type: dict[str, np.ndarray] | None = None+    shape_info_by_type: dict[str, tuple[np.ndarray, np.ndarray]] = {}  # t -> (c_k, var_obs_k)     delta = delta_global     lab_prev = labels_of(prev)     lab_last = labels_of(last)@@ -167,6 +169,7 @@ def main() -> None:                     scale = scale.copy()                     scale[shape_npcs:] = 0.0                 shape_scale_by_type[t] = shape_beta * scale+                shape_info_by_type[t] = (shape_beta * scale, vl.copy())                 debug_rows.append((t, int(m1.sum()), int(m2.sum()), float(np.mean(np.abs(r - 1.0))),                                    float(np.sqrt(r_t).min()), float(np.sqrt(r_t).max()))) @@ -220,6 +223,49 @@ def main() -> None:         Xc.data += shift_full[Xc.indices]      np.clip(Xc.data, 0.0, None, out=Xc.data)++    if pcvar_w > 0.0 and shape_info_by_type:+        for t, (c_k, var_obs_k) in shape_info_by_type.items():+            sel = np.flatnonzero(lab_last_rows == t)+            if sel.size < 2:+                continue+            sub = Xc[sel]+            xp = _dense(sub[:, cols]).astype(np.float64)  # n_t x hvg+            zp = (xp - mean_h) @ V  # n_t x k+            zc = zp.mean(axis=0)+            rr = zp - zc+            var_pred = rr.var(axis=0)+            var_target = (1.0 + c_k) ** 2 * var_obs_k+            ratio = np.sqrt(var_target / np.maximum(var_pred, 1e-12))+            if os.environ.get("PCVAR_DEBUG"):+                print(f"pcvar type={t} n={sel.size} ratio[min,med,max]="+                      f"[{ratio.min():.3f},{np.median(ratio):.3f},{ratio.max():.3f}]")+            zp_new = zc + (1.0 + pcvar_w * (ratio - 1.0)) * rr+            mode = os.environ.get("PCVAR_MODE", "blend")+            if mode == "recon":+                xc_new = zp_new @ Vt + mean_h  # n_t x hvg+            elif mode == "blend":+                blend = _env_float("PCVAR_BLEND", 0.3)+                xc_new = (1.0 - blend) * xp + blend * (zp_new @ Vt + mean_h)+            else:+                xc_new = xp + (zp_new - zp) @ Vt  # additive PC-space delta+            mask = xp > 0.0+            xc_new = np.where(mask, xc_new, 0.0)+            np.clip(xc_new, 0.0, None, out=xc_new)+            newsub = sp.csr_matrix(xc_new.astype(np.float32)).tocoo()+            rest = Xc[sel].tolil()+            rest[:, cols] = 0+            rest = rest.tocsr().tocoo()+            full = (+                sp.coo_matrix((rest.data, (sel[rest.row], rest.col)), shape=Xc.shape, dtype=np.float32)+                + sp.coo_matrix((newsub.data, (sel[newsub.row], cols[newsub.col])), shape=Xc.shape, dtype=np.float32)+            ).tocsr()+            keep = np.ones(Xc.shape[0], dtype=bool)+            keep[sel] = False+            Xc = sp.vstack([Xc[keep], full[sel]], format="csr")+            inv = np.argsort(np.concatenate([np.flatnonzero(keep), sel]), kind="stable")+            Xc = Xc[inv]+     Xc.eliminate_zeros()     out_X = Xc 

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

Done. Final verification summary:

**做了什么**：在 node 7（iso-add β=3）之上实现 PLAN 的逐 PC 方差重归一块（`PCVAR_W`/`PCVAR_MODE`/`PCVAR_BLEND` 开关），对 5 个被形状化型：PC 残差向 (1+c)²·var_obs 目标方差校正（w=1），并以 blend m=0.3 向 25 维 PC 子空间部分重投影，保留非零掩码 + clip≥0，非 HVG 列不动。

**查分结果**（X3 A 半，父基线 57.67/57.69）：
- 提交配置 blend m=0.3 w=1.0：**seed0 61.60 / seed1 61.00**（+3.9/+3.3，超噪声）；covariation 45.6→52.7，cell_state 76.4→83.7，de_rec 53.0，dir 50.8
- m 扫描单峰（0.1→0.6: 59.7/60.9/**61.6**/61.2/60.4/58.9）；纯 delta 解码（PLAN 原式不加 blend）covariation 反而单调降——PLAN 假设部分证伪，实际杠杆是低秩重投影
- 对照 `PCVAR_W=0` 与父节点 maxdiff=0；伪装视图（时间平移+乱序 manifest）maxdiff=0；vec-check 通过；额度用 9/20

**下一步最值得试**：blend×w 二维消融（blend 下 w=0 vs 1，分离方差校正贡献）；β 与 m 交互（β=4 + m=0.25 可能更优）；m=0.3 是 A 半调参，应在 final 类视图（s=1.8）复核峰值位置。

调研员

ip-induced per-PC variance distortion may be small relative to other covariation damage sources; correction would then gain <1 point (within noise). Engineer should check per-PC var_pred vs var_target ratios — if all ratios are within 5% of 1.0, the mechanism has little to correct. 2) Re-projecting through V^T and re-clipping may introduce new distortion; check by comparing nnz and per-type variance before/after correction. 3) If covariation improves but cell_state drops >1, the correction is partially undoing expansion; reduce w.",
  "family_id": "lowrank_shape",
  "mechanism": "Per-PC variance renormalization: after isotropic expansion + gene-space decode, rescale each PC's within-type residuals toward the theoretically correct expanded variance (1+c)²·var_obs, correcting the asymmetric distortion introduced by clip≥0 without undoing the expansion's overall spread.",
  "vs_constant_shift": "Each cell's PC residuals are rescaled by a per-PC factor that depends on its type's expansion factor and the empirical vs target variance ratio. Different cells of the same type have different PC positions, so the gene-space correction differs per cell. A constant shift would add the same vector to every cell and cannot change within-type variance or per-PC spread.",
  "mechanism_evidence": "1) Report per-PC ratio var_pred_k/var_target_k before correction: if all ≈1, clip distortion is negligible and mechanism has no room. 2) Report covariation and cell_state at each w: covariation should increase monotonically with w while cell_state stays ≥78 (expansion preserved). 3) Compare β=0 (no expansion, no correction needed) vs β=3,w=0 vs β=3,w=best: the correction should only matter when expansion is on. 4) Report per-type within-type variance change for the 5 shaped types.",
  "mechanism_off_control": "PCVAR_W=0 (default): the correction block is skipped entirely (ratio applied as 1+w·(r−1) = 1), output is element-identical to parent node 7. Verify maxdiff=0.",
  "sources": []
}
```

审查员

REVIEW.json written