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

节点 n25

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 83703ad3f2: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 4e727fb0f1。改动的文件：solution/METHOD.md +9 −7、solution/run.py +15 −10

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex dd1628f..28a7563 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,12 +1,14 @@ ## 改了什么-相对父节点（节点11，LAMBDA=0.90，ENTROPY_SHRINK=0.35，ENTROPY_FLOOR=0.65，TYPE_BLEND=0.35）：-1. 结构性替换：移除 TYPE_BLEND（按细胞类型全局均值混合位移），改为 kNN 位移场局部一致性投影（KNN_DIR_SMOOTH=10）。对每个输出细胞，取其在 PCA 空间中 10 个最近邻的位移向量均值，再按该细胞自身的位移幅度重标定。这保留了细胞间幅度差异，同时使位移方向在局部一致，针对最弱的 direction（50.22）。-2. 标量回退：LAMBDA 0.90→0.85，ENTROPY_SHRINK 0.35→0.4，ENTROPY_FLOOR 0.65→0.6（回到节点8的值）。ANALYSIS 明确指出当前配置点是标量微调平台区，应固定标量、引入结构机制。+相对父节点（节点22，kNN位移方向平滑替换TYPE_BLEND，LAMBDA=0.85，ENTROPY_SHRINK=0.4，ENTROPY_FLOOR=0.6）：+1. 恢复TYPE_BLEND=0.35：ANALYSIS明确指出移除TYPE_BLEND导致covariation -8.49、cell_state -6.47，类型级均值混合对保持协变结构有价值。+2. 将kNN位移平滑从替换改为附加项（KNN_DIR_W=0.1，KNN_DIR_K=10）：在TYPE_BLEND混合后的步长上叠加小权重kNN方向均值，保留局部方向一致性而不破坏协变结构。ANALYSIS建议"step = (1-w)*step + w*knn_mean，w从0.1起试"。+3. 标量回退至节点11配置：LAMBDA 0.85→0.90，ENTROPY_SHRINK 0.4→0.35，ENTROPY_FLOOR 0.6→0.65。 -机制对照：kNN 位移平滑是结构性改动（改变了位移向量的计算方式），不是标量调整。开关：KNN_DIR_SMOOTH=10 生效；若设为 1 则退化为不平滑（但代码路径相同，无分支）。+机制对照：KNN_DIR_W=0.1为机制开启；设为0则退化为纯TYPE_BLEND（节点11配置）。  ## 用到的知识与出处-- kNN 位移场平滑作为方向一致性约束：Waddington-OT（Schiebinger 2019, Cell）中 barycentric projection 的局部化推广；k031 文献条目中"barycentric displacement"的 kNN 变体。-- 幅度重标定保留细胞异质性：避免 kNN 平均导致的幅度塌缩，类似 kernel regression 中的 Nadaraya-Watson 估计加幅度校正。-- 标量回退依据：父节点 ANALYSIS 的 lessons 第 1 条（"该配置点附近已是平台区，标量微调不再产出可测收益"）和 next_suggestions 第 1 条。+- TYPE_BLEND恢复依据：父节点ANALYSIS lessons第1条（"局部邻域平均破坏了细胞间协变结构，TYPE_BLEND的类型级混合对这两组是有价值的"）。+- kNN附加项设计：ANALYSIS next_suggestions第1条（"把kNN平滑作为附加项与TYPE_BLEND叠加，w从0.1起试"）。+- kNN位移场平滑原理：Waddington-OT（Schiebinger 2019, Cell）barycentric projection的局部化推广；k031。+- 标量回退依据：节点11（榜分51.75）为已知最好配置之一，ANALYSIS建议以其为基线。 - 未使用保留阶段信息、未硬编码统计量。diff --git a/solution/run.py b/solution/run.pyindex 137aa84..4c5aa55 100644--- a/solution/run.py+++ b/solution/run.py@@ -46,13 +46,15 @@ EPSILON = 1e-3 TAU_A = 0.95 TAU_B = 1.0 K_SMOOTH = 25-LAMBDA = 0.85+LAMBDA = 0.90 GROWTH = True N_THREADS = 8-ENTROPY_SHRINK = 0.4-ENTROPY_FLOOR = 0.6+ENTROPY_SHRINK = 0.35+ENTROPY_FLOOR = 0.65 STEP_CAP_STD = 2.5-KNN_DIR_SMOOTH = 10+TYPE_BLEND = 0.35+KNN_DIR_W = 0.1+KNN_DIR_K = 10   def weighted_rows(w: np.ndarray, n: int, rng: np.random.Generator) -> np.ndarray:@@ -120,14 +122,17 @@ def main() -> None:     smooth = knn_mean(Zl, last.X, rows, K_SMOOTH)     step = (smooth - anc) * factor     del smooth, anc+    ct = last.obs["celltype"].values[rows]+    type_mean_step = np.zeros_like(step)+    for t in np.unique(ct):+        idx_t = ct == t+        type_mean_step[idx_t] = step[idx_t].mean(axis=0)+    step = (1.0 - TYPE_BLEND) * step + TYPE_BLEND * type_mean_step     from sklearn.neighbors import NearestNeighbors as NN_dir-    nn_d = NN_dir(n_neighbors=KNN_DIR_SMOOTH).fit(Zl[rows])+    nn_d = NN_dir(n_neighbors=KNN_DIR_K).fit(Zl[rows])     idx_d = nn_d.kneighbors(Zl[rows], return_distance=False)-    neighbor_step = step[idx_d].mean(axis=1)-    cell_mag = np.linalg.norm(step, axis=1, keepdims=True)-    neighbor_mag = np.linalg.norm(neighbor_step, axis=1, keepdims=True)-    scale_dir = np.where(neighbor_mag > 1e-10, cell_mag / neighbor_mag, 1.0)-    step = neighbor_step * scale_dir+    knn_dir = step[idx_d].mean(axis=1)+    step = (1.0 - KNN_DIR_W) * step + KNN_DIR_W * knn_dir     step *= shrink[:, None]     step_mag = np.linalg.norm(step, axis=1, keepdims=True)     step_sd = np.median(step_mag[step_mag > 0]) if np.any(step_mag > 0) else 1.0

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）。

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

审查员

REVIEW.json written

stream

SEARCH
```python
#!/usr/bin/env python3
"""ot_moscot with TYPE_BLEND restored and LAMBDA increased.

Reverts node 22's kNN direction smoothing (which destroyed covariation and cell_state)
back to node 11's TYPE_BLEND mechanism, and increases LAMBDA 0.90→0.95 per ANALYSIS
suggestion to test extrapolation step size marginal benefit on covariation.
"""

from __future__ import annotations

import argparse
import os
import sys
from pathlib import Path

os.environ.setdefault("XLA_PYTHON_CLIENT_PREALLOCATE", "false")
os.environ.setdefault("XLA_PYTHON_CLIENT_MEM_FRACTION", "0.1")
os.environ["JAX_PLATFORMS"] = "cpu"

import numpy as np

sys.path.insert(0, str(Path(__file__).resolve().parent))
from g37_common import embed, growth_rates, knn_mean, stage_pair  # noqa: E402

from src.task1_temporal.view_io import load_manifest, panel_genes, target_n_cells, write_prediction  # noqa: E402

N_HVG = 2000
N_PCS = 30
EPSILON = 1e-3
TAU_A = 0.95
TAU_B = 1.0
K_SMOOTH = 25
LAMBDA = 0.95
GROWTH = True
N_THREADS = 8
ENTROPY_SHRINK = 0.35
ENTROPY_FLOOR = 0.65
STEP_CAP_STD = 3.0