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

节点 n22

实测 PLAN 置信度放大机制（α_t=α(1+γc_t)）与两个补充机制均单调劣于父：γ=0.5→59.53、保范数方向正则 w=0.5/1.0→60.61/59.81、全局 α=2.0/1.6→61.57/62.00（父 α=1.8→62.06），位移幅度与方向均为两侧最优，提交=父配置（逐位相同），阴性结果如实报告。

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 0021d742d0: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 ec35d4c3d8。改动的文件：solution/METHOD.md +34 −35、solution/run.py +51 −1

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex a95b05f..31f72ca 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,51 +1,50 @@-实现按型置信度收缩（c_t=n/(n+κ) 向全局位移收缩）与 SE 裁剪两个机制；X3 实测两者均单调降低总分与 direction，任何对型级位移幅度的衰减都有害，提交默认=父配置（逐位相同），阴性结果如实报告。+实测 PLAN 置信度放大机制（α_t=α(1+γc_t)）与两个补充机制均单调劣于父：γ=0.5→59.53、保范数方向正则 w=0.5/1.0→60.61/59.81、全局 α=2.0/1.6→61.57/62.00（父 α=1.8→62.06），位移幅度与方向均为两侧最优，提交=父配置（逐位相同），阴性结果如实报告。 -## 方法（family: lowrank_shape；提交配置 = node 17/19 默认，β=4, m_perp=m_var=0.3, α=1.8）+## 方法（family: lowrank_shape；提交配置 = node 17/19/20 默认，逐位复现） -上游与父节点完全一致（2500 HVG、25 PC svds(v0=ones)、α=1.8、τ=0.3、τ_shape=0.5、iso-add β=4、非零掩码解码、blend 两阶段 m_perp=m_var=0.3、单输入退路 copy_last）。按 PLAN 新增按型置信度加权块（默认关闭）：+上游与父节点完全一致：2500 HVG、25 PC svds(v0=ones)、分型 PCA 均值差 × λ_k 收缩 × s=clip(dt_ratio·α, 0, 4)，α=1.8；iso-add 形状扩张 β=4（τ_shape=0.5）；非零掩码解码；PC 子空间 blend m_perp=m_var=0.3；单输入退路 copy_last。本节点新增两个默认关闭的机制块（环境变量控制）。 -1. **shrink**：对每个匹配型 t，`c_t = n_t/(n_t+CONF_KAPPA)`，`n_t = min(n_prev_t, n_last_t)`；有效位移 `dt_pc_eff = c_t·dt_pc_t + (1−c_t)·delta_global`（向全型全局位移收缩）。-2. **clip**：`se = sqrt(var_prev/n_prev + var_last/n_last)`（逐 PC 两样本标准误，比 PLAN 单式 `sqrt(var/n_t)` 更准，已在代码注释说明）；`dt_pc` 分量裁剪到 `±CONF_MAXSHIFT·se`。-3. **both**：先 shrink 再 clip。环境变量：`CONF_MODE`（默认 off）、`CONF_KAPPA`（默认 0）、`CONF_MAXSHIFT`（默认 3.0）、`CONF_DEBUG`。+## 机制 1：按型置信度放大（PLAN 指定，CONF_AMP_MODE/GAMMA/KAPPA，κ=20） -## 关闭对照（PLAN mechanism_off_control）+`amp_t = 1 + γ·c_t`，`c_t = n_t/(n_t+κ)`，`n_t = min(n_prev_t, n_last_t)`，乘在每型的 `s·λ·dt_pc` 上（保方向、只改幅度）。CONF_AMP_DEBUG 验证差异化生效（X3 六型）： -`CONF_MODE=off`（默认）与 `CONF_MODE=shrink CONF_KAPPA=0`（c_t≡1）两种关闭方式的输出均与父节点提交版 `maxdiff=0.0`（seed0，652×32285，nnz=1277802 相同）。提交默认=off，即正式分预期逐位复现父节点 63.21。+| type | n_prev/n_last | c_t | amp(γ=0.5) | ‖shift‖ |+|---|---|---|---|---|+| OFT/RV-CM | 327/391 | 0.942 | 1.471 | 13.69→20.15 |+| Unknown | 377/437 | 0.950 | 1.475 | 10.53→15.52 |+| SV-CM | 238/176 | 0.898 | 1.449 | 34.41→49.87 |+| AVC-CM | 18/128 | 0.474 | 1.237 | 40.61→50.23 |+| aSHF | 7/33 | 0.259 | 1.130 | 18.01→20.34 | -## 机制生效证据（CONF_DEBUG，κ=30）+与 PLAN 预期放大比（×1.47/×1.13）一致。 -| type | n_prev | n_last | c_t | ‖shift‖raw | ‖shift‖eff | ratio |-|---|---|---|---|---|---|---|-| AVC-CM | 18 | 128 | 0.375 | 40.61 | 15.26 | 0.376 |-| IFT-CM | 133 | 489 | 0.816 | 18.00 | 15.27 | 0.848 |-| OFT/RV-CM | 327 | 391 | 0.916 | 13.69 | 12.85 | 0.938 |-| SV-CM | 238 | 176 | 0.854 | 34.41 | 29.67 | 0.862 |-| Unknown | 377 | 437 | 0.926 | 10.53 | 9.96 | 0.946 |-| aSHF | 7 | 33 | 0.189 | 18.01 | 8.10 | 0.450 |+## 机制 2：保范数方向正则（NORMDIR_W/MINN，补充 PLAN 风险 4 / 节点 20 建议 2）++对 `min(n)<25` 的小型（X3 上恰为 AVC-CM、aSHF），把 dt_pc 方向向全局位移方向 blend 后重归一到原范数（幅度不动，只改方向）。NORMDIR_DEBUG：AVC-CM cos(dt,global)=−0.115（近正交）、aSHF cos=0.537。 -小样本型（AVC-CM、aSHF）被显著收缩（ratio 0.38/0.45），大样本型基本保留（0.94）——机制确实在按置信度差异化地改变位移，不是空转。clip maxshift=2 时各型保留 25–76%。+## 关闭对照（PLAN mechanism_off_control）++`CONF_AMP_MODE=off`（默认）与 `NORMDIR_W=0`（默认）下输出与父节点提交版 **maxdiff=0.0**（X3 seed0，preds/base.h5ad vs preds/final.h5ad 验证）；`CONF_AMP_GAMMA=0` 亦为精确空转。提交默认全关，正式分预期逐位复现父节点 63.21。 -## X3 A 半查分记录（seed0；父=62.06；额度用 4/20）+## X3 A 半查分记录（seed0；父=62.06；额度用 6/20）  | 配置 | 总分 | cell_state | covar | de_rec | direction | 结论 | |---|---|---|---|---|---|---|-| 父（=提交默认） | **62.06** | 85.97 | 52.23 | 52.47 | 50.82 | 基线 |-| shrink κ=10 | 61.69 | 85.31 | 52.10 | 51.96 | 50.74 | −0.37 |-| shrink κ=30 | 60.97 | 84.32 | 51.96 | 50.48 | 50.63 | −1.09，随 κ 单调恶化 |-| clip ms=3 | 60.92 | 85.55 | 52.81 | 48.18 | 50.59 | de_recovery 崩 |-| clip ms=2 | 60.24 | 84.77 | 52.79 | 46.49 | 50.53 | 更崩 |--κ=50、both 未查分：κ 与 maxshift 两个方向均单调负，外推无收益，省额度。+| 父（=提交） | 62.06 | 87.92 | 52.46 | 54.37 | 51.01 | 基准 |+| amp γ=0.5 κ=20 | 59.53 | 79.91 | 50.57 | 50.96 | 50.81 | 全面劣化，γ 未再扫（PLAN 风险 1 中止条件命中：direction 降且 cell_state 崩） |+| normdir w=0.5 | 60.61 | 83.33 | 51.56 | 50.48 | 50.72 | 单调劣 |+| normdir w=1.0 | 59.81 | 81.62 | 50.90 | 50.00 | 50.58 | 更劣，w 增大单调下降即停 |+| α=2.0 | 61.57 | 85.13 | 51.68 | 51.96 | 50.82 | 劣 |+| α=1.6 | 62.00 | 85.88 | 52.74 | 51.96 | 50.80 | 微劣（噪声内但无增益） | -## 结论与教训（阴性）+## 结论与教训 -- **direction 不是由"小型噪声位移过冲"造成的**：所有衰减型级位移幅度的干预（收缩、裁剪）都让 direction 单调下降（50.82→50.74→50.63→50.59→50.53），说明当前 α=1.8 的位移幅度对 X3 而言不是过大而是仍偏保守或恰好，PLAN 风险 1 应验。-- de_recovery 对位移幅度极敏感：clip 把总分拉低主要经 de_recovery（52.47→48.18→46.49），裁剪掉的高 |dt_pc| 分量正是 DE 信号的来源。-- covariation 在 clip 下微升（52.23→52.81）但不足以补偿，与 node 19 的 m_perp 教训同构：该程序里各组存在"幅度↔保真"权衡，任何全局性减小位移的操作净负。-- 值得注意的现象（留给后续节点）：AVC-CM 的 raw shift 范数 40.6 是其他型的 2–4 倍且 n_prev 只有 18——若它确是噪声，应有某种不减小总体幅度的修正方式（如只在型内重分配、或投影到与其它型一致的方向上），单纯缩幅已被证伪。+1. **位移幅度是两侧最优**：node 20 证明衰减（收缩/裁剪）单调降分，本节点证明放大（γ=0.5，大型 ×1.45）也单调降分且降幅更大（−2.5）；α=1.8 附近（1.6–1.8）是峰。"高置信型放大能提 direction"假设被证伪。+2. **小型位移方向是信号不是噪声**：AVC-CM 的位移与全局方向近正交（cos=−0.115），把它拉向全局（即使保幅度）使 de_recovery 掉 4 分——PLAN 风险 4 的答案是"AVC-CM 异常位移方向正确，不要修正"。+3. direction ~51 的瓶颈不在型级位移的幅度或方向正则，后续应改细胞级/表示层（如 kNN 局部位移场、按 PC 分层的 s），而非再动 dt_pc 的全局标度。+4. 生物学知识来源：无新增；仅沿用父节点的通用低秩时序外推结构，未使用任何保留阶段/禁窗信息（X3 输入 E8.75/E9.0 均在窗前）。 -## 验证过 / 没验证+## 验证与未验证 -- 验证过：关闭对照两种方式与父 maxdiff=0.0；shrink κ∈{10,30}、clip ms∈{2,3} 各一次 X3 seed0 查分；CONF_DEBUG 逐型收缩比例；默认配置下 run.py 在完整 X3 视图跑通（~9 s，<2 GB）。-- 没验证：κ=50 / both 模式（单调负外推）；seed1/2（阴性结果提交=父逐位相同，无需）；final 类视图（本节点只在 X3 查分）。-- 知识来源：无新增生物学先验；全部为统计方法（样本量收缩 James-Stein 式、均值差标准误裁剪），沿用父节点框架。视图无关：只依赖 manifest 数据与时间差，不读 board/mode/路径/绝对时间；无 ARTIFACTS；EXECUTION.json gpu=false。+- 已验证：off 对照逐位复现父（maxdiff=0.0）；两机制 DEBUG 显示差异化生效；X3 上 6 组查分趋势单调；`vec-check` 通过；运行 ~7s、内存与父相同。+- 未验证：proxy/proxy2 视图未重跑（提交代码与父逐位相同，父在两视图均 scored）；γ∈{0.3,0.8} 未扫（γ=0.5 已触发 PLAN 中止条件，且幅度两侧均已证伪）；seed1 未查（无正向信号可确认）。diff --git a/solution/run.py b/solution/run.pyindex b8719f1..9bf91ce 100644--- a/solution/run.py+++ b/solution/run.py@@ -29,6 +29,17 @@ clips dt_pc components at +-CONF_MAXSHIFT*SE (two-sample SE of the PC mean difference); CONF_MODE=both does shrink then clip. CONF_MODE=off (default, or CONF_KAPPA=0) reproduces the parent exactly (verified maxdiff=0.0). CONF_DEBUG=1 prints per-type raw vs effective shift norms.++Node 22 mechanisms (both negative on X3 A-half, default off):+1. CONF_AMP_MODE=on + CONF_AMP_GAMMA>0 scales each type's mean-shift by+   (1 + gamma * c_t), c_t = n_t/(n_t+CONF_AMP_KAPPA): gamma=0.5 gave+   59.53 vs parent 62.06 (cell_state -8, de_recovery -3.4). Combined with+   node 20's shrinkage results, alpha=1.8 amplitude is a two-sided optimum.+2. NORMDIR_W>0 pulls low-sample types' (min n < NORMDIR_MINN) displacement+   DIRECTION toward the global direction while preserving norm: w=0.5/1.0+   gave 60.61/59.81, monotone worse -- small-n types' shift directions are+   signal, not noise.+Defaults reproduce the parent (node 20 submission) exactly (maxdiff=0.0). """  from __future__ import annotations@@ -156,6 +167,24 @@ def main() -> None:     conf_kappa = _env_float("CONF_KAPPA", 0.0)     conf_maxshift = _env_float("CONF_MAXSHIFT", 3.0)     conf_debug = bool(os.environ.get("CONF_DEBUG"))+    # node 22: confidence-modulated extrapolation amplification (inverse of node 20+    # shrinkage). Per-type displacement is scaled by (1 + gamma * c_t) where+    # c_t = n_t/(n_t+kappa), n_t = min(n_prev_t, n_last_t). gamma=0 or mode=off+    # reproduces the parent exactly. Only the mean-shift magnitude changes; the+    # shape block (beta, variance ratios) is untouched.+    amp_mode = os.environ.get("CONF_AMP_MODE", "off")+    amp_gamma = _env_float("CONF_AMP_GAMMA", 0.0)+    amp_kappa = _env_float("CONF_AMP_KAPPA", 20.0)+    amp_debug = bool(os.environ.get("CONF_AMP_DEBUG"))+    # node 22 second mechanism: norm-preserving direction regularization for+    # low-sample types. For types with n_t = min(n_prev, n_last) < NORMDIR_MINN,+    # blend the PC displacement direction toward the global displacement and+    # rescale to the original norm, so the amplitude (shown optimal at node 20)+    # is untouched but the noisy direction is pulled toward consensus.+    # NORMDIR_W=0 (default) reproduces the parent exactly.+    normdir_w = _env_float("NORMDIR_W", 0.0)+    normdir_minn = _env_float("NORMDIR_MINN", 25.0)+    normdir_debug = bool(os.environ.get("NORMDIR_DEBUG"))     if per_type:         shift_by_type = {}         if shape_beta > 0.0:@@ -186,7 +215,28 @@ def main() -> None:                 print(f"conf type={t} n_prev={n1t} n_last={n2t} c_t={c_t:.3f} "                       f"|shift|_raw={nrm_raw:.4f} |shift|_eff={nrm_eff:.4f} "                       f"ratio={nrm_eff / max(nrm_raw, 1e-12):.3f}")-            shift_by_type[t] = (s * lam * dt_pc) @ Vt  # hvg space, float64+            if normdir_w > 0.0 and min(n1t, n2t) < normdir_minn:+                nrm = float(np.linalg.norm(dt_pc))+                gn = float(np.linalg.norm(delta_global))+                if nrm > 0.0 and gn > 0.0:+                    u = (1.0 - normdir_w) * (dt_pc / nrm) + normdir_w * (delta_global / gn)+                    un = float(np.linalg.norm(u))+                    if un > 0.0:+                        dt_pc = (nrm / un) * u+                        if normdir_debug:+                            cos = float(dt_raw @ delta_global / max(np.linalg.norm(dt_raw) * gn, 1e-12))+                            print(f"normdir type={t} n_prev={n1t} n_last={n2t} "+                                  f"norm={nrm:.3f} cos(dt,global)={cos:.3f} w={normdir_w}")+            amp_t = 1.0+            if amp_mode == "on" and amp_gamma != 0.0:+                n_t_amp = min(n1t, n2t)+                c_t_amp = n_t_amp / (n_t_amp + amp_kappa) if amp_kappa > 0.0 else 1.0+                amp_t = 1.0 + amp_gamma * c_t_amp+                if amp_debug:+                    nrm0 = float(np.linalg.norm(s * lam * dt_pc))+                    print(f"amp type={t} n_prev={n1t} n_last={n2t} c_t={c_t_amp:.3f} "+                          f"amp={amp_t:.3f} |shift| {nrm0:.4f} -> {nrm0 * amp_t:.4f}")+            shift_by_type[t] = (s * amp_t * lam * dt_pc) @ Vt  # hvg space, float64             if n1t >= shape_min_cells and n2t >= shape_min_cells and shape_scale_by_type is not None:                 vp = Z_prev[m1].var(axis=0)                 vl = Z_last[m2].var(axis=0)

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。** 做了什么：按 PLAN 实现按型置信度放大（α_t=α(1+γ·c_t)，κ=20），另补实现保范数方向正则（小型位移方向拉向全局）；两者 off 对照与父节点逐位相同（maxdiff=0.0）。

查分（X3 A 半，seed0，用 6/20）：amp γ=0.5 → **59.53**；normdir w=0.5/1.0 → **60.61/59.81**；α=2.0/1.6 → 61.57/62.00；父 α=1.8 = **62.06**。全部劣于父，位移幅度与方向均为两侧最优，PLAN 假设证伪。提交 = 父配置（默认全关，逐位复现，预期正式分 63.21），vec-check 通过，运行 ~7s。

下一步最值得试：direction ~51 的瓶颈不在型级 dt_pc 的标度/方向正则（幅度轴已双侧封死），应转向细胞级位移场（kNN 局部 OT 位移，node 3 路线与现有低秩框架融合）或按 PC 分层的 s（头部 PC 与尾部 PC 用不同外推系数），de_recovery 对任何触碰位移的改动最敏感、须先查。

调研员

 gets moderate amplification—if it's directionally wrong, this could hurt; monitor by checking whether removing AVC-CM from amplification (hard-code c_t=0 for types with n_prev<25) changes the result.",
 "family_id": "lowrank_shape",
 "mechanism": "Confidence-modulated extrapolation: per-type displacement magnitude is scaled by (1+γ·c_t) where c_t reflects sample-size estimation confidence, so well-estimated types get more extrapolation while noisy types stay at baseline α. This changes relative displacements between types based on data quality.",
 "vs_constant_shift": "A constant per-type shift applies the same displacement vector to every cell of a type regardless of estimation quality. This mechanism differentially scales the extrapolation factor by type-level sample size, changing the RELATIVE magnitude of displacements across types. Combined with the existing shape evolution (β=4), cells within a type also get different effective displacements via residual rescaling. It is not a uniform rescaling.",
 "mechanism_evidence": "1. CONF_AMP_DEBUG=1 prints per-type c_t, alpha_t, and shift norm before/after amplification—verify differential effect (large types amplified ~1.4×, small types ~1.1×). 2. Compare X3 A-half four-group scores: direction should increase if mechanism works; de_recovery should be stable or increase. 3. If gamma=0.5 changes direction by +1 but total is flat due to cell_state loss, the mechanism is partially active but needs tuning. 4. Verify maxdiff>0 between gamma=0 and gamma=0.5 outputs (mechanism actually changes predictions).",
 "mechanism_off_control": "CONF_AMP_MODE=off (default) or CONF_AMP_GAMMA=0: both must produce output identical to parent node 20's submission (maxdiff=0.0). Engineer verifies by running both and comparing arrays. Expected difference when on: per-type shift magnitudes increase by factor (1+γ·c_t), largest for high-n types (OFT/RV-CM n=327: ×1.47 at γ=0.5), smallest for low-n types (aSHF n=7: ×1.13).",
 "sources": []}
```

审查员

REVIEW.json written