总览 · ← 返回运行 20261002-202908-search-t1-scr-B

节点 n7

ot_cfm 位移结构滤波搜索（逐PC分层阻尼×9、平滑指数×2、kNN平滑×2）全部不优于中性滤波，默认提交父节点等价配置并报告阴性结果。

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 93a5247d5b: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 a31ffb90e9。改动的文件：solution/METHOD.md +36 −22、solution/run.py +42 −1

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 9691323..735faf0 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,38 +1,52 @@-ot_cfm 族：whiten-PCA(25) 上 minibatch 精确 OT 配对训练 MLP 速度场，自最后输入阻尼 Euler 外推（α=0.65、t 钳 1），PCA 逆变换+逐细胞残差解码；单输入退化为 copy_last。+ot_cfm 位移结构滤波搜索（逐PC分层阻尼×9、平滑指数×2、kNN平滑×2）全部不优于中性滤波，默认提交父节点等价配置并报告阴性结果。  ## 方法 -1. 读 manifest，取两个输入阶段（`view_io.inputs_by_time`），只保留两阶段都实测的基因（`var["covered"]` 交集）。-2. 训练集每阶段子采样 ≤3000 细胞；按合并方差选 2500 HVG；PCA 25 维，**whiten=True**（消融显示 whiten 关键：cell_state 50.8→54.3）。-3. torchcfm `ExactOptimalTransportConditionalFlowMatcher(sigma=0)`，batch=64，MLP [26→64→64→25]（末层 ×0.01 初始化），Adam lr=1e-3，1500 步，MSE(v(xt,t), ut)。-4. 积分：t 从 1 到 t_end = 1 + (target−last)/(last−first)（由 manifest 时间差算出，视图无关），Euler max(5, ceil(5·span)) 步，速度乘阻尼 α=0.65，网络 t 输入钳制 ≤1.0（训练域外不外推 t）。-5. 解码：`clip(PCA⁻¹(z_end) + resid, 0)`，resid = 该细胞原始 HVG 表达 − PCA⁻¹(z_start)；只在原非零位置写入（不抬正零、保持稀疏），非 HVG 基因原样保留。输出细胞数 = `target_n_cells`（最后阶段细胞的 rng 抽样）。-6. 单输入阶段 → copy_last 退路。未用 external/ 与 prior/。+在父节点（node 6，ot_cfm：whiten-PCA(25) + minibatch 精确 OT 配对训练 MLP 速度场 + 阻尼 Euler 外推 α=0.65 + PCA 逆变换/逐细胞残差解码）之上，按 PLAN 在**积分后、解码前**对位移向量 Δz 施加结构滤波（新增 `--k-active` / `--gamma` / `--beta` / `--dz-knn` / `--dz-lam` 参数），其余管线逐比特不变： -## 关键参数（X3 A 半查分，10 次）+1. 逐PC分层阻尼：w_d = 1（d < k_active）否则 γ，Δz ← α·w_d·Δz（PLAN 主方案）。+2. 平滑指数阻尼：w_d = exp(-β·d/24)（PLAN 备选）。+3. kNN 邻域平滑：Δz ← λ·Δz + (1-λ)·kNN 均值（k 在 z_start 空间，sklearn NearestNeighbors；父节点 next_suggestions #1 的另一半，与分层阻尼同属"位移结构滤波"目标）。 -- copy_last（=ablation）47.62；α=0.75 无 whiten 47.18；α=0.35 无 whiten 47.77；whiten α=0.25/0.35/0.5/0.65/0.75/0.85 = 48.41/48.62/48.77/**50.41**/49.50/48.43。默认锁定 whiten + α=0.65 + clamp_t=1.0；固定 numpy 种子后复跑 50.29（OT 配对序列略变，差异在噪声内）。+## 机制生效证据 -## 机制生效证据（PLAN mechanism_evidence）+- 日志输出逐PC RMS 位移（滤波前/后）：如 k10_g0.30 时高位 PC 的 RMS 被压到 0.3×，确认滤波真实作用于 Δz 而非空转。+- 位移非恒定：默认配置位移 std=1.24（>0.5），mean 3.49、max 8.32；速度场两两余弦 0.52（<0.95），|v| mean 1.90/std 0.52，均为状态依赖。+- 输出结构：nnz/cell 1967 vs 输入 1974，基因方差 0.106 vs 0.101，无全局扩散。+- 滤波确实改变了预测内容（各变体 sha256 不同、四组分随参数单调变化），不是数值噪声。 -- 速度方向：100 个 E9.0 细胞探针两两余弦均值 ≈ 0.42（<0.95，非常向量）；|v| 均值 4.09、std 1.32（状态依赖）。-- 位移：白化空间逐细胞位移 mean 3.4、std 1.15、max 7.9，std 显著 >0。-- 四组分 vs copy_last(47.62)：cell_state 49.5→59.6，de_recovery 43.1→45.7，direction 49.1→49.1（持平），covariation 48.6→43.6（受损，见弱点）。-- 输出方差/零结构：nnz/cell 1967 vs 输入 1974，基因方差均值 0.105 vs 0.101，无普遍扩散迹象。+## 对照结果（X3 A 半，seed 0，共用 16 次查分） -## 关闭机制对照（mechanism_off_control）+| 变体 | board | cell_state | covariation | de_recovery | direction |+|---|---|---|---|---|---|+| 中性 k25/γ1（=父节点） | ≈50.3* | 59.61 | 43.59 | (de_score -0.143) | (de_dir -0.025) |+| k15/γ0.30 | 50.02 | 59.44 | 43.68 | 44.92 | 48.90 |+| k10/γ0.30 | 49.66 | 59.51 | 43.98 | 43.44 | 48.59 |+| k6/γ0.30 | – | 58.35 | 43.86 | (de_score -0.229) | – |+| k6–k15/γ0.0–0.15 | – | 57.6–59.4 | 43.7–44.0 | 更差 | 更差 |+| β=2 | 49.21 | 58.36 | 44.45 | 42.74 | 48.51 |+| β=4 | 48.84 | 57.28 | 44.86 | 42.40 | 48.32 |+| kNN k20/λ0.5 | 49.63 | 57.24 | 43.86 | 45.69 | 49.07 |+| kNN k30/λ0.35 | 49.49 | 56.22 | 44.13 | 46.09 | 49.10 | -`--ablation zero_velocity` 将 α 置 0，积分不动，输出 = 最后阶段抽样细胞的复制（PCA 重建+残差在 α=0 时恒等于原值）。X3 查分 47.62，与打开时 50.29 差 +2.67，机制生效。提交默认打开。+\* 中性配置默认运行与显式 k25/γ1 运行逐比特相同（sha256 e813b37b…），其四组分与父节点 METHOD.md 记录的 seed-0 A 半（59.6/45.7/49.1/43.6，board 50.29）一致，未重复消耗查分。 -## 确定性修复+**结论（阴性）**：13 个滤波变体全部低于中性基线，且单调——阻尼越强，covariation 最多只升 +0.4~+1.3（噪声内），de_recovery/cell_state 却持续下降。covariation 对 Δz 的维度分布不敏感，说明 node 6 的 covariation 受损（vs moscot -8.96）**不来自高位 PC 的位移噪声**，PLAN 风险 3 成立：源头更可能在解码环节（沿用最后阶段零掩码 + clip）或白化潜空间本身。 -torchcfm `OTPlanSampler.sample_plan` 内部用 numpy 全局 RNG（`np.random.choice`），导致跨进程不确定；已在训练前 `np.random.seed(seed)`，并 `torch.set_num_threads(1)` + `use_deterministic_algorithms(True)`。同 seed 两次运行输出逐比特相同（已验证）。seed 7 也跑通。+## mechanism_off_control++`--ablation zero_velocity` 将 α 置 0（此时 Δz=0，滤波空转），输出 = 最后阶段抽样复制，父节点已测 47.62 vs 打开 50.29；本节点重跑该路径确认代码改动后仍正常。中性滤波 k25/γ1 严格复现父节点输出（逐比特），即"滤波关闭"对照与提交默认一致；提交默认保持速度场机制打开、滤波中性。++## 确定性 / 合规++np.random.seed + torch.use_deterministic_algorithms + 单线程（父节点方案）不变；默认配置 seed 0 两次运行 sha256 相同。输出仅取决于视图数据与 seed，无绝对时间、无视图身份分支。vec-check 通过；运行 ~37s、内存 <2GB，远低于限额。未使用 external/、prior/、任何保留阶段/基因型信息；唯一算法来源为 OT-CFM（Tong et al. 2023，torchcfm 实现）与通用 kNN/PCA 方法。  ## 验证过 / 未验证 -- 已验证：X3 视图（两输入，目标跨 2 个区间）跑通、vec-check ok、~35s（< 30min 限）、内存远小于 28GB、确定性、α/whiten 消融。-- 未验证：final 视图（E8.5+E9.5→E10.5，span=1）与 proxy（单输入退化路径只做过代码路径推演，未实跑）；covariation 受损是否可在后续用位移的邻域平滑/按 PC 分层阻尼修复；训练步数、HVG 数、PCA 维度的进一步搜索。+- 已验证：X3 两输入路径上 16 次查分的滤波搜索、默认=父节点逐比特复现、vec-check、zero_velocity 路径不崩、确定性。+- 未验证：final/proxy 视图实跑（代码路径与父节点相同，父节点亦未实跑 proxy 单输入以外的形态）；k_active∈(15,25) 与 γ∈(0.3,1) 的中间格点（趋势单调，预期无峰值）；解码掩码改动（PLAN 明确禁止在本节点做）。 -## 知识来源+## 下一步建议 -未使用任何保留阶段/保留基因型的测量信息或文献数值；只用了通用做法（OT-CFM, Tong et al. 2023 算法本身，经 torchcfm 实现）。α、whiten、clamp_t 全部由 X3 A 半查分选出（视图内数据驱动，不依赖绝对时间或视图身份）。+1. **解码零掩码**是唯一未动的结构环节：covariation 对所有位移滤波不敏感、而 moscot 系（node 2/4）covariation 52–54 用的正是"只动非零项"的基因空间位移。建议下一节点在潜空间位移解码后允许小幅抬正零位（或按目标期非零率先验重采样掩码），单独对照 de_recovery/covariation。+2. 位移滤波方向可关闭：本节点 13 个变体的单调性表明 Δz 的后处理空间已穷尽，继续扫描是浪费。diff --git a/solution/run.py b/solution/run.pyindex a9974c2..81dc666 100644--- a/solution/run.py+++ b/solution/run.py@@ -41,6 +41,17 @@ def main():     ap.add_argument("--dim", type=int, default=25)     ap.add_argument("--steps", type=int, default=1500)     ap.add_argument("--clamp-t", type=float, default=1.0)+    ap.add_argument("--k-active", type=int, default=25,+                    help="PCs (0-based dim < k_active) keep full displacement; rest scaled by gamma. "+                         "Default 25 = neutral filter (all PCs kept); searched variants scored lower, see METHOD.md")+    ap.add_argument("--gamma", type=float, default=1.0,+                    help="damping factor for high-index PCs (1.0 = uniform, parent behavior)")+    ap.add_argument("--beta", type=float, default=None,+                    help="if set, smooth damping w_d = exp(-beta*d/(dim-1)) overrides tiered scheme")+    ap.add_argument("--dz-knn", type=int, default=0,+                    help="k for kNN smoothing of displacement dz in z_start space (0 = off)")+    ap.add_argument("--dz-lam", type=float, default=0.5,+                    help="blend weight of self vs neighborhood mean for dz smoothing")     ap.add_argument("--whiten", action="store_true", default=True)     ap.add_argument("--no-whiten", dest="whiten", action="store_false")     args = ap.parse_args()@@ -180,7 +191,37 @@ def main():             zt = torch.from_numpy(z)             v = net(torch.cat([zt, torch.full((z.shape[0], 1), tt, dtype=torch.float32)], dim=1)).numpy()             z = z + alpha * v * h-    disp = np.linalg.norm(z - z_start, axis=1)+    disp0 = np.linalg.norm(z - z_start, axis=1)+    log(f"displacement (pre-damping): mean {disp0.mean():.3f} std {disp0.std():.3f} max {disp0.max():.3f}")++    # ---- structural filters on the displacement (node 7) ----+    dz = z - z_start+    if args.dz_knn and args.dz_knn > 0:+        from sklearn.neighbors import NearestNeighbors++        kk = int(min(args.dz_knn, z_start.shape[0] - 1))+        nn = NearestNeighbors(n_neighbors=kk + 1).fit(z_start)+        _, nbr = nn.kneighbors(z_start)+        nb_mean = dz[nbr[:, 1:]].mean(axis=1)+        lam = float(args.dz_lam)+        dz = lam * dz + (1.0 - lam) * nb_mean+        log(f"dz kNN smoothing: k={kk} lambda={lam}")+    dim = dz.shape[1]+    if args.beta is not None:+        w = np.exp(-args.beta * np.arange(dim) / max(dim - 1, 1)).astype(np.float32)+        scheme = f"smooth beta={args.beta}"+    else:+        w = np.full(dim, float(args.gamma), dtype=np.float32)+        k = int(min(max(args.k_active, 0), dim))+        w[:k] = 1.0+        scheme = f"tiered k_active={k} gamma={args.gamma}"+    rms_pre = np.sqrt((dz ** 2).mean(axis=0))+    dz = dz * w[None, :]+    rms_post = np.sqrt((dz ** 2).mean(axis=0))+    z = z_start + dz+    log(f"damping {scheme}; per-PC RMS before {np.round(rms_pre[:5],2)}...{np.round(rms_pre[-3:],2)} "+        f"after {np.round(rms_post[:5],2)}...{np.round(rms_post[-3:],2)}")+    disp = np.linalg.norm(dz, axis=1)     log(f"displacement: mean {disp.mean():.3f} std {disp.std():.3f} max {disp.max():.3f} "         f"(z scale ~1); steps {n_steps} alpha {alpha}") 

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

**做了什么**：在 node 6（ot_cfm）上按 PLAN 实现位移结构滤波（逐PC分层阻尼 k_active×γ 9 组合、平滑指数 β∈{2,4}、kNN 平滑 2 组合），共 13 个变体 + 基线，X3 A 半查分 16 次。

**结果（阴性）**：全部变体低于中性基线（最好 k15/γ0.30 = 50.02 vs 基线 ≈50.3；β/kNN 变体 48.8–49.6）。阻尼越强 covariation 仅 +0.4~1.3（噪声内），de_recovery/cell_state 持续下降——covariation 受损不来自位移的 PC 分布，PLAN 风险 3 成立。默认提交父节点等价配置（逐比特复现，sha256 已验证，vec-check 通过，zero_velocity 对照正常），METHOD.md 记录完整证据表。

**下一步最值得试**：解码零掩码（covariation 对 Δz 后处理不敏感，而高 covariation 的 moscot 系在基因空间只动非零项）；位移滤波方向应关闭。

调研员

and this approach fails. 2) γ=0 (hard cutoff) may cause discontinuity artifacts; if it scores worst, prefer γ=0.15–0.3. 3) The 9-combo search may not find improvement if covariation loss is from the decode step (zero-mask) rather than displacement dimensions; in that case report negative result and flag de_recovery mask as next target. 4) Score noise ~2: require ≥3 point board improvement over parent's 50.66 to claim success; otherwise run best combo with seed 1 to confirm.",
  "family_id": "ot_cfm",
  "mechanism": "OT-CFM velocity field in whitened PCA space (unchanged from parent); new structural filter: per-PC tiered damping of the integrated displacement vector before decoding, concentrating movement on top-k biological PCs and suppressing noise-dimension perturbations that distort gene-gene covariance.",
  "vs_constant_shift": "The velocity field remains state-dependent (per-cell, learned via OT-CFM); per-PC damping is a linear filter on the field's output, not a fixed offset. Different cells still receive different displacement directions and magnitudes. A constant shift would apply the same vector to every cell regardless of state; here the displacement pattern varies per cell (confirmed by parent's |v| std=1.32, cosine=0.42).",
  "mechanism_evidence": "Engineer should log: (1) per-PC RMS displacement before and after damping to confirm high-PC suppression; (2) four-group scores for each combo vs parent baseline to show covariation recovery with cell_state retention; (3) displacement std across cells (must remain >0.5 to confirm non-constant); (4) gene-level variance and nnz/cell of output vs input to confirm no global diffusion.",
  "mechanism_off_control": "Same as parent: --ablation zero_velocity sets α=0, producing copy_last output (score ~47.62). Additionally, running with k_active=25 and γ=1.0 reproduces the parent's uniform damping (score ~50.3–50.7); if a damped combo scores identically to this, the per-PC filter had no effect.",
  "sources": []
}
```