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

节点 n12

改了什么

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 baa3efa364: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 251065a1ce。改动的文件：solution/METHOD.md +7 −6、solution/run.py +8 −2

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex ed014d5..731ed13 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,9 +1,10 @@ ## 改了什么-相对父节点 copy_last：增加 per-type pseudobulk shift with per-gene empirical Bayes shrinkage。当视图有 ≥2 个输入阶段时，对每个在两阶段都出现的细胞类型计算伪批量均值差 delta，再按基因计算 shrinkage = delta^2 / (delta^2 + var_within + eps)，其中 var_within 是该基因在最后阶段该类型内的方差。有效位移 = alpha * shrinkage * delta，clip ≥0。高方差基因（主导协方差结构）几乎不动，清晰 DE 基因获得接近 alpha 的位移。alpha=0.5。单输入退化为 copy_last。--第 0 轮教训：均匀位移（无 per-gene shrinkage，alpha=0.35）使 covariation 从 48.44 暴跌到 27.5，因为所有基因等量平移破坏了基因间共变结构。本轮加入 per-gene shrinkage 后，高方差基因（对协方差贡献最大）的位移被压缩到接近 0，预期恢复 covariation 同时保留 de_recovery 的改善。+相对父节点（per-gene shrinkage 用 per-cell 方差做分母）：+1. 将 shrinkage 分母从 per-cell 方差 var_within 改为均值差的抽样方差 var_within / max(n_last, n_prev)。父节点用 per-cell 方差使收缩因子被压低约 n 倍，导致位移近乎失效（de_recovery 仅 +1.44）。+2. 增加显著性过滤：只对 |delta| > 2*SE 的基因施加位移，其余基因不动。这大幅减少被扰动的基因数量，保护基因间共变结构（covariation）。+3. 预期效果：covariation 从 45.40 恢复到接近 48（接近 copy_last 的 48.44），de_recovery 因有效位移增大而提升超过 2 分。  ## 用到的知识与出处-- 方法卡 k018：per-gene empirical Bayes shrinkage（"shrink per gene so noisy genes move less"）。-- 方法卡 k012：pseudobulk_shift 定义；covariation 指标对方差塌缩敏感。-- 第 0 轮实验反馈：均匀位移导致 covariation 崩溃（48.44→27.5），de_recovery 改善（44.09→46.9）。+- 父节点 ANALYSIS 建议："把 shrinkage 分母改成均值差的抽样方差"、"只对 delta 显著的基因施加位移，其余置零"。+- 方法卡 k018：per-gene empirical Bayes shrinkage，"shrink per gene so noisy genes move less"。+- 统计学标准做法：均值差的 SE = sqrt(var/n)，用 2*SE 作为显著性阈值。diff --git a/solution/run.py b/solution/run.pyindex da905ca..1baa907 100644--- a/solution/run.py+++ b/solution/run.py@@ -19,6 +19,7 @@ from src.task1_temporal.view_io import ( )  ALPHA = 0.5+SIG_THRESH = 2.0 EPS = 1e-8  @@ -35,12 +36,17 @@ def _pseudobulk_shift(last, prev, alpha: float) -> sparse.csr_matrix:         m_prev = prev_types == ct         if m_prev.sum() == 0:             continue+        n_last = int(m_last.sum())+        n_prev = int(m_prev.sum())         mean_last = X_last[m_last].mean(axis=0)         mean_prev = X_prev[m_prev].mean(axis=0)         delta = mean_last - mean_prev         var_within = X_last[m_last].var(axis=0)-        shrinkage = delta ** 2 / (delta ** 2 + var_within + EPS)-        shift[m_last] = alpha * shrinkage * delta+        se2 = var_within / max(n_last, n_prev) + EPS+        se = np.sqrt(se2)+        significant = np.abs(delta) > SIG_THRESH * se+        shrinkage = delta ** 2 / (delta ** 2 + se2)+        shift[m_last] = alpha * shrinkage * delta * significant      X_out = np.clip(X_last + shift, 0, None).astype(np.float32)     return sparse.csr_matrix(X_out)

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）。

没有记录调研来源。

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

native

stream

Looking at the results: Round 1's variance preservation made covariation worse (38.02 vs 34.5 in round 0 without it) AND killed de_recovery (44.92 vs 49.07). The global rescaling distorts per-type structure. The shift itself at alpha=0.2 is still too large.

Strategy: remove variance preservation entirely, reduce alpha to 0.1. This should give a very mild shift that barely perturbs covariation while retaining some de_recovery benefit.

<<<<<<< SEARCH
ALPHA = 0.2
SIG_THRESH = 2.0
EPS = 1e-8


def _pseudobulk_shift(last, prev, alpha: float) -> sparse.csr_matrix:
    last_types = np.asarray(last.obs["celltype"])
    prev_types = np.asarray(prev.obs["celltype"])

    X_last = last.X.toarray() if sparse.issparse(last.X) else np.asarray(last.X, dtype=np.float32)
    X_prev = prev.X.toarray() if sparse.issparse(prev.X) else np.asarray(prev.X, dtype=np.float32)

    shift = np.zeros_like(X_last)
    for ct in np.unique(last_types):
        m_last = last_types == ct
        m_prev = prev_types == ct
        if m_prev.sum() == 0:
            continue
        n_last = int(m_last.sum())
        n_prev = int(m_prev.sum())
        mean_last = X_last[m_last].mean(axis=0)
        mean_prev = X_prev[m_prev].mean(axis=0)
        delta = mean_last - mean_prev
        var_within = X_last[m_last].var(axis=0)
        se2 = var_within / max(n_last, n_prev) + EPS
        se = np.sqrt(se2)
        significant = np.abs(delta) > SIG_THRESH * se
        shrinkage = delta ** 2 / (delta ** 2 + se2)
        shift[m_last] = alpha * shrinkage * delta * significant

    X_out = np.clip(X_last + shift, 0, None).astype(np.float32)

    std_orig = X_last.std(axis=0)
    std_new = X_out.std(axis=0)
    mask = std_new > EPS