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

节点 n39

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 cab656490c: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 0c3a544746。改动的文件：solution/METHOD.md +12 −13、solution/run.py +9 −3

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 880f3b9..c450add 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,16 +1,15 @@ ## 改了什么-相对父节点（node 18，manifold_ode v1）的全部改动：-1. 修复 manifold_penalty 可微性：原实现用 .detach().numpy() + sklearn kNN，梯度恒为零。改为 torch.cdist + torch.topk 全程可微，机制对照真正生效。-2. 大幅降低运行时间（545s→目标~60s）：EPOCHS 500→150，TRAIN_SUBSAMPLE 3000→1500，N_INTEG_STEPS 10→8，移除对称 Sinkhorn（恢复单向），流形参考数据子采样到 1500 点。-3. 更保守外推以改善 de_recovery：DAMPING 0.65→0.5；新增 STEP_SCALE=0.8 在基因空间额外收缩解码位移，保护差异表达结构。-4. MANIFOLD_REG 0.3→0.2（可微后量级更大，进一步降低避免过度约束）。-5. LR 5e-4→8e-4（配合更少 epoch 加快收敛）。-6. 移除对称 Sinkhorn：round 1 实验表明对称化带来 ~2x 计算开销但分数提升在噪声内，性价比为负。+相对父节点（node 20，manifold_ode v2）的全部改动：+1. 回退过度收缩：DAMPING 0.5→0.65，STEP_SCALE 0.8→1.0（ANALYSIS 建议，恢复 de_recovery）。+2. 移除 mid_pushed 中间点流形惩罚（round 0 实验：导致运行时间 18.8s→403s，cell_state -2.45，总分 -0.65）；恢复为终点流形惩罚。+3. 回退模型容量：HIDDEN 96→64，EPOCHS 200→150（round 0 证明更大模型+更多 epoch 未带来收益，只增加运行时间）。+4. 降低 MANIFOLD_REG 0.2→0.05：无证据表明流形惩罚有效（父节点 ANALYSIS），保留为极弱约束。+5. 恢复 VEL_REG 0.003→0.005（round 0 降低后未改善）。+6. 新增步长上限（STEP_CAP_STD=3.0）：来自 ot_moscot 顶级节点（52.33 分）的 step capping 策略，防止异常大位移破坏 cell_state 和 covariation。  ## 用到的知识与出处-- k032: TrajectoryNet / MIOFlow / scNODE；"PCA 30-50d + Sinkhorn + 流形约束 + 收缩外推"。-- k034: torchcfm / OT-CFM；"PCA 潜空间 + 线性解码 + 逐细胞残差"；"两时间点场弱辨识，外推需阻尼"。-- k031: geomloss SamplesLoss 用法。-- Huguet et al. arXiv:2206.14928（MIOFlow 流形正则）。-- 父节点 ANALYSIS：流形惩罚必须可微；77s 级训练成本换噪声内波动性价比为负。-- Round 1 实验：对称 Sinkhorn 和 500 epoch 未带来超出噪声的收益，但运行时间增加 7x。+- 父节点 ANALYSIS：「STEP_SCALE=1.0 + DAMPING=0.65 即可恢复父节点水平」。+- Round 0 实验：mid_pushed 流形惩罚使运行时间增加 21x、cell_state 下降 2.45，机制无效。+- 实验表 node 19/34（ot_moscot，52.33）：STEP_CAP_STD=3.0 的步长上限策略对 cell_state（54.16）和 covariation（53.72）有显著正贡献。+- k032: TrajectoryNet / MIOFlow / scNODE；「PCA 30-50d + Sinkhorn + 流形约束 + 收缩外推」。+- k034: torchcfm / OT-CFM；「两时间点场弱辨识，外推需阻尼」。diff --git a/solution/run.py b/solution/run.pyindex abb1dbf..f34648d 100644--- a/solution/run.py+++ b/solution/run.py@@ -44,12 +44,13 @@ N_TRAIN_EPOCHS = 150 N_INTEG_STEPS = 8 TRAIN_SUBSAMPLE = 1500 VEL_REG = 0.005-MANIFOLD_REG = 0.2+MANIFOLD_REG = 0.05 MANIFOLD_K = 15 MANIFOLD_SUBSAMPLE = 1500-DAMPING = 0.5-STEP_SCALE = 0.8+DAMPING = 0.65+STEP_SCALE = 1.0 LR = 8e-4+STEP_CAP_STD = 3.0   def weighted_rows(w: np.ndarray, n: int, rng: np.random.Generator) -> np.ndarray:@@ -178,6 +179,11 @@ def main() -> None:     X = last.X[rows].toarray()     step = decoded_step_full * STEP_SCALE     step[:, ~mask] = 0.0+    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+    cap = STEP_CAP_STD * step_sd+    scale = np.minimum(1.0, cap / np.maximum(step_mag, 1e-10))+    step *= scale     step *= X > 0     X += step     np.maximum(X, 0.0, out=X)

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

<tool_call>