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

节点 n41

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 4591b6991d: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 +9 −7、solution/run.py +11 −6

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex ed014d5..1c77037 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,9 +1,11 @@ ## 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。-+相对第 0 轮（分数 44.35，covariation 崩溃到 32.04）：+1. 删除方差保持校正（将输出均值/标准差强制恢复为输入）：这是第 0 轮最大败笔，它把位移信号几乎完全抹掉（均值恢复）同时引入逐基因缩放的噪声（标准恢复），导致 covariation 从 45.40 暴跌到 32.04、de_recovery 从 45.53 跌到 42.74。+2. 删除硬显著性过滤（|delta| > 2*SE）：过滤掉了大量中等效应基因，de_recovery 反而下降。改为纯软收缩（shrinkage 因子本身已起过滤作用）。+3. 加 addnz 约束：位移只施加到非零条目（shift * nz），避免把零变成小正数破坏稀疏结构和协方差。这是 top 程序（node 37 VAE、node 19 OT）共同采用的策略。+4. alpha 从 0.5 降到 0.15：极保守位移，目标是在不破坏 covariation 的前提下给 de_recovery/direction 微小正信号。 ## 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）。+- 第 0 轮反馈：方差保持使 covariation 32.04（父节点 45.40），明确有害。+- 父节点 ANALYSIS 教训："任何等比放大的均值平移都会改变基因间相关结构"。+- Top 程序（node 37, node 19）共同使用 addnz 策略保护稀疏结构。+- 方法卡 k018：alpha 应保守，官方 alpha=1 已证明低于 copy_last。diff --git a/solution/run.py b/solution/run.pyindex da905ca..c57b688 100644--- a/solution/run.py+++ b/solution/run.py@@ -18,7 +18,7 @@ from src.task1_temporal.view_io import (     write_prediction, ) -ALPHA = 0.5+ALPHA = 0.15 EPS = 1e-8  @@ -33,17 +33,22 @@ def _pseudobulk_shift(last, prev, alpha: float) -> sparse.csr_matrix:     for ct in np.unique(last_types):         m_last = last_types == ct         m_prev = prev_types == ct-        if m_prev.sum() == 0:+        n_l = int(m_last.sum())+        n_p = int(m_prev.sum())+        if n_p == 0 or n_l == 0:             continue         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)+        var_last = X_last[m_last].var(axis=0)+        var_prev = X_prev[m_prev].var(axis=0)+        se2 = var_last / n_l + var_prev / n_p+        shrinkage = delta ** 2 / (delta ** 2 + se2 + EPS)         shift[m_last] = alpha * shrinkage * delta -    X_out = np.clip(X_last + shift, 0, None).astype(np.float32)-    return sparse.csr_matrix(X_out)+    nz = X_last > 0+    X_out = X_last + shift * nz+    return sparse.csr_matrix(np.clip(X_out, 0, None).astype(np.float32))   def main() -> None:

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>
{"name": "read_file", "arguments": {"path": "/home/spark-longxinyang/.local/state/vec-report/calls/2-202908-search-t1-scr-C-n41-c66ee7/work/solution/run.py"}}
</tool_call>
<tool_call>
{"name": "list_dir", "arguments": {"path": "/home/spark-longxinyang/.local/state/vec-report/calls/2-202908-search-t1-scr-C-n41-c66ee7/work/solution"}}
</tool_call>