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

节点 n13 在终选来历上

在节点5低秩投影之上，把每型单一常位移改为逐细胞局部切向位移：每个输出细胞沿其 stage2 kNN(k=15) 在 PC(k=25) 子空间内的平均偏移方向反向推开（η=-3.0），恢复型内细胞间离散度。

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 3c38738ce2: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 97bb03e43e。改动的文件：solution/METHOD.md +31 −30、solution/README.md +5 −6、solution/run.py +58 −28

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 248461a..2f7c473 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,48 +1,49 @@-在父节点 per-type EB 位移之后，把每型位移向量投影到输入数据自身协变结构的 top-k PC 子空间再混合（k=25, β=1.0, HVG 8000），修复 covariation。+在节点5低秩投影之上，把每型单一常位移改为逐细胞局部切向位移：每个输出细胞沿其 stage2 kNN(k=15) 在 PC(k=25) 子空间内的平均偏移方向反向推开（η=-3.0），恢复型内细胞间离散度。 -## 方法（family: other / 父节点 4 + 低秩协变投影，PLAN 指定的 improve 部件）+## 方法（family: other，PLAN 指定的局部切向位移机制） -完整保留父节点 4 的机制：copy_last 抽样 + 按 celltype 的最后两输入阶段基因均值差 δ_c + 基因级 EB 收缩 λ=δ²/(δ²+σ²(1/n1+1/n2)) + 时间缩放 α·r（α=1.5，r 只用相对时间差，clip [0,3]）+ 只作用已有非零元 + max(0,·)。单输入视图严格退化 copy_last。+完整保留节点 5 管线：copy_last 抽样（rng 流不变）、per-type EB 收缩位移 δ_c、时间缩放 α·r（α=1.5，只用相对时间差）、top-8000 HVG / ≤3000 细胞 / 中心化 svds k=25 的 PC 基 V、Δ_final=(1−β)Δ+βV(VᵀΔ)（β=1.0）、只作用非零元、max(0,·)。单输入视图严格退化 copy_last（代码路径未动）。 -新增一步（本节点机制）：+本节点新增（PLAN 机制，逐细胞位移）： -1. 合并两个输入阶段的全部细胞（X3：1379+2174），用独立 rng 流抽 ≤3000 个（不影响 sample_rows 的抽样序列，β=0 时输出与父节点逐元素一致，已验证）。-2. 按合并样本的逐基因方差取 top-8000 HVG，dense 化（3000×8000）并减基因均值（中心化，避免第一 PC 是均值方向，PLAN 风险 4）。-3. `scipy.sparse.linalg.svds` 取前 k=25 个右奇异向量 V（8000×25，正交列，固定 v0 保证确定）。V 完全由视图输入数据驱动，无任何固定统计量。-4. 每型缩放后的位移 Δ_c = α·r·λ·δ_c：Δ̃_c = V(VᵀΔ_c)（限制在 HVG 上），混合 Δ_final = (1−β)Δ_c + β Δ̃_c；β=1.0 时非 HVG 基因位移为 0，HVG 基因位移取协调化方向。-5. 其余（非零元施加、max(0,·)、写盘）与父节点完全相同。+1. 复用同一 V 与 rng 流，把 stage2 全部细胞投影到 PC 坐标 Z2=(X2[hvg]−μ)V（无新 SVD）。+2. 每个 stage2 细胞在 PC 空间找 k=15 近邻（排除自身，欧氏距离，全 stage2 池，可跨型），g_i = mean_kNN(z_j) − z_i。+3. 输出细胞 i（型 c）的位移在 HVG 上为 V(w_c + η·g_i)，w_c=Vᵀ(Δ_c[hvg])，即 PLAN 的 Δ_i=V(Vᵀ(δ_c+η·u_i)) 经 (1−β)/β 混合（β=1，非 HVG 位移为 0）。η=0 时局部项关闭。+4. 其余施加方式与节点 5 完全相同。 -参数：`--proj-k 25 --proj-beta 1.0 --proj-hvg 8000 --proj-cells 3000`（默认值，可用环境变量 VEC_PROJ_* 覆盖）；`--proj-beta 0` 或 `--proj-k 0` 为机制关闭对照（完全旁路 SVD，输出与父节点逐元素一致）。+**提交参数 η=-3.0（负值）**：PLAN 预设 η∈[0,1]（局部项与密度中心同向）；实测正 η 单调变差（+0.25/0.5/1.0 → 总分 55.6/55.0/53.5 量级，cell_state 从 61.8 掉到 54.8），负 η（把细胞推离其局部密度中心、沿局部切向向外扩张）单调变好，η=-3 处平台（-2→57.95，-3→58.87，-3.5→58.64，-4→57.87）。机制仍是逐细胞局部切向位移（方向由 kNN 局部几何决定、逐细胞不同），只是有效符号是外向扩张：copy_last+共享位移+max(0,·) 压缩了型内细胞间离散度，负 η 把它补回来。 -## 机制生效证据（mechanism_evidence，PLAN 要求）+## 机制关闭对照（mechanism_off_control） -- 每型 ||Δ̃||/||Δ|| 与 corr(Δ,Δ̃)（k=25,hvg8000）：0.29–0.90 / 0.28–0.89，跨型有差异（SV-CM 0.90、IFT-CM 0.76、Endocardium 0.54、aSHF 0.29），非全 0/全 1 → 投影真实改变位移方向且保留大部分幅度（位移主要沿共表达程序，非纯噪声）。-- 四组分随 (k,β) 的变化符合 PLAN 预期：covariation 随 β 单调回升（k=25：45.3→46.0→47.2→47.8 @ β=0.25/0.5/0.75/1.0），cell_state 缓降（62.8→61.3），de_recovery 持平；k=8 过度（de_recovery 掉到 48.2），k=40 不足（covar 只到 46.9）→ k=25 是平台中部。-- 输出 nnz 比例 6.07%（父节点 6.05%），稀疏结构未破坏；mmd_u 0.0245（父 0.0241，对照 copy_last 0.034），细胞仍被移动。-- β=0 对照输出与父节点 4 逐元素一致（(A!=B).nnz==0），强于 0.1 分容差要求。+η=0（--local-eta 0）时局部项整段旁路，输出与节点 5 程序在同一视图同一 seed 下的预测**逐元素一致**（(A!=B).nnz==0，实测），且抽样 rng 流不受影响。 -## 查分记录（X3 A 半；seed0 除非注明；父节点 β=0：seed0 52.91 / seed1 53.80）+## 机制生效证据（PLAN mechanism_evidence） -| 配置 | seed0 | seed1 | 均值 |-|---|---|---|---|-| k25 β1.0 hvg3000 | 53.36 | 53.94 | 53.65 |-| k15 β0.75 norm-preserving | 53.37 | 54.17 | 53.77 |-| **k25 β1.0 hvg8000（提交）** | **53.48** | **54.40** | **53.94** |+1. **型内位移方向离散度**：η=0 时同型所有细胞位移方向余弦相似度=1（常位移）；η=-3 时局部项 g_i 的型内两两余弦均值 ≈0.00–0.06（IFT-CM 0.006、V-CM 0.062、Endocardium 0.002、Unknown 0.002）→ 方向真正逐细胞化。+2. **被改变的细胞与幅度**：全部 652 个输出细胞都被加了局部项；‖η·V g_i‖ 均值 ≈20（η=-3），为对应型投影位移范数（8.3–65.4）的 30%–240%，非微扰。+3. **四组分随 η 的变化**（seed0，A 半）：η=0：cs 61.76/cov 47.65/de 50.96/dir 50.72（=节点5）；η=-1：cs 70.41/cov 46.38/de 51.46/dir 50.39（55.86）；η=-2：cs 78.46/cov 45.21/de 51.46/dir 50.03（57.95）；η=-3：cs 82.85/cov 44.16/de 50.96/dir 49.78（58.87）；η=-4：cs 81.59/cov 43.22（57.87）。cell_state 大幅单调回升（与节点 9 的 83.82 相当），de_recovery 在 -1/-2 处 +0.5，direction 与 covariation 缓慢下降（PLAN 风险 1 成立：外向扩张抬高 variogram，协变结构被稀释）；总分在 η=-3 达到峰值 58.87。+4. η=0 对照与节点 5 逐元素一致（见上）。 -完整网格（seed0，hvg3000）：k15 β∈{0.25,0.5,0.75,1.0} = 53.12/53.18/53.32/53.17；k25 = 53.14/53.19/53.23/53.36；k40 = 53.06/53.15/52.99/52.97；k8 β1.0 = 52.31；norm-preserving β1.0：k15 53.17、k25 53.27。共 20 次查分（额度用尽，k15 β1.0 hvg8000 未测）。+## 查分记录（X3 A 半，共 10 次查询） -提交配置分组变化（相对父节点，seed0/seed1）：covariation 45.32→47.65 / 45.55→47.65（+2.3/+2.1，两个 seed 一致，机制目标达成，接近节点 1 的 48.44）；direction 49.62→50.72 / 51.20→52.36（+1.1）；de_recovery 50.48→50.96 / 50.00→50.48（持平）；cell_state 62.76→61.76 / 64.64→63.87（−1.0/−0.8）；总分 +0.57/+0.60。+| 配置 | seed0 | seed1 |+|---|---|---|+| η=+0.25 / +0.5 / +1.0 | 55.6* / 55.0* / 53.5*（按组分明细，正 η 单调差） | - |+| η=-0.5 / -1.0 | - / 55.86 | - |+| η=-1.5 / -2.0 | 56.98 / 57.95 | - |+| **η=-3.0, k=15（提交）** | **58.87** | **58.74** |+| η=-3.5 / η=-4.0 | 58.64 / 57.87 | - |+| η=-3, proj-k=40 / local-k=25 | 57.70 / 58.62 | - | -**诚实评估**：总分增益 ~+0.6 < 2 分噪声阈值，单看不算"进步"；但 covariation +2.3 在两个 seed 和全部 16 个网格点上一致（β 单调），是结构性修复而非噪声。cell_state 的小幅代价来自 β=1 时非 HVG 基因位移归零。+（*正 η 的总分未单独记录，组分明细见上；正 η 全部低于 η=0 对照。）双 seed 均值 58.81 vs 父节点 53.94（同 A 半口径）→ **+4.9，远超 2 分噪声线**。  ## 验证过 / 没验证 -- 验证：X3 vec-check ok；seed 0 双跑逐元素一致；β=0 对照 == 父节点输出（逐元素）；最终默认参数输出 == 已查分的 k25_b1.0_h8000 预测（逐元素）；运行 10s / 峰值内存远低于 28GB 限制；纯 CPU（EXECUTION.json gpu:false 不变）。-- 视图无关：只用相对时间差与视图数据；SVD 抽样用独立 rng 流 `default_rng([seed, 0x5EED])`，与视图路径/字段顺序/时间平移无关。-- 没验证：final 视图（r=1，有效位移减半，k/β 最优点可能漂移）；proxy/proxy2；单输入退化路径代码未变（父节点已验证，本次未重跑）；B 半真值。-- norm-preserving 变体（投影后按 ||Δ||/||Δ̃|| 恢复幅度）未超过普通混合，未采用。+- 验证：X3 vec-check ok；默认参数输出与已查分的 η=-3 seed0 预测逐元素一致；η=0 == 节点5 输出逐元素一致；单 seed 运行 ~13s / 内存 <1.5GB（限制 28GB / 30min）；纯 CPU（EXECUTION.json gpu:false 不变）；kNN 无 rng、svds 用固定 v0 → 对 seed 确定。+- 视图无关：只用相对时间差与视图内数据；PC 基与抽样用独立 rng 流 default_rng([seed, 0x5EED])；无路径/字段顺序/绝对时间依赖。+- 没验证：final 视图（r=1，位移减半，η 最优点可能漂移；η 作用在未乘 scale 的 g_i 上，故 final 上局部项相对更强，可能需要 |η| 减小）；proxy/proxy2（本节点分数只由 X3 决定）；B 半真值。+- 未试（时间不够）：η<0 局部扩张与节点 9 的位移轴幅度调制（γ=10）组合；两者都把 cell_state 推到 ~83，机制不同（局部几何扩张 vs 沿位移轴拉伸），可能互补也可能冗余。  ## 知识来源 -- 全部沿用父节点：标签改名词表（方法卡 §标签）；EB 收缩公式（标准经验贝叶斯）。-- 新增部分只用视图内两个输入阶段的表达数据做 PCA，无外部数据、无 prior/、无禁窗信息、无固定统计量。+全部沿用节点 5：标签改名词表（方法卡 §标签）、EB 收缩公式（标准经验贝叶斯）、PCA/kNN 只用视图内两个输入阶段的表达数据；无外部数据、无 prior/、无禁窗信息、无硬编码统计量。diff --git a/solution/README.md b/solution/README.mdindex 622d58b..dec1bf3 100644--- a/solution/README.md+++ b/solution/README.md@@ -1,7 +1,6 @@-# per-type EB displacement + low-rank covariation projection+# per-cell local tangential displacement (low-rank projected) + per-type EB displacement -父节点 4（copy_last + 按 celltype 的 EB 收缩位移，只作用非零元）之上加一步：-每型位移向量投影到输入数据自身协变结构的 top-k PC 子空间（合并两输入阶段 ≤3000 细胞、-top-8000 HVG、中心化、svds k=25），Δ_final=(1−β)Δ+βΔ̃，β=1.0。-修复父节点 covariation 净损（45.3→47.7）。`--proj-beta 0` 为机制关闭对照（输出与父节点逐元素一致）。-单输入视图退化 copy_last。详见 METHOD.md。+节点 5（copy_last + 按 celltype 的 EB 收缩位移 + top-k PC 低秩协变投影，k=25, β=1.0, HVG 8000）之上，+把每型单一常位移替换为逐细胞局部切向位移：每个输出细胞在 stage2 池的 PC(k=25) 坐标里找 k=15 近邻，+沿 g_i = mean_kNN(z_j) − z_i 方向以系数 η=-3.0 推开（HVG 位移 = V(w_c + η·g_i)），恢复型内细胞间离散度。+`--local-eta 0` 为机制关闭对照（输出与节点 5 逐元素一致）。单输入视图退化 copy_last。详见 METHOD.md。diff --git a/solution/run.py b/solution/run.pyindex 03c8e3d..3ee234b 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,22 +1,21 @@ #!/usr/bin/env python3-"""Per-type EB-shrunk displacement + low-rank covariation projection.--Base (parent node 4): copy_last + per-type gene-mean shift between the two-latest input stages, gene-level EB shrinkage, time rescale alpha*r, applied at-existing nonzeros only, max(0, .).--New mechanism (this node): each type's shrunk displacement vector-Delta_c = alpha*r*lambda*delta_c is projected onto the top-k principal-directions V of the input data's own gene covariance (cells of both input-stages, centered, top-HVG subset), and mixed back:-    Delta_final = (1-beta)*Delta_c + beta * V (V^T Delta_c).-This makes the displacement move along coordinated co-expression programs-instead of perturbing every gene independently, targeting the covariation-regression of the parent. beta=0 or k=0 bypasses the projection entirely and-reproduces the parent element-wise.--View independence: V is computed from the view's own input matrices; only-relative time differences are used. Single input stage -> exact copy_last.+"""Per-type EB-shrunk displacement + low-rank projection + per-cell local term.++Base (parent node 5): copy_last + per-type gene-mean shift between the two+latest input stages, gene-level EB shrinkage, time rescale alpha*r, projection+of each type's displacement onto the top-k PC subspace V of the pooled input+data (HVG-restricted, centered), applied at existing nonzeros only, max(0, .).++New mechanism (this node): each output cell i of type c is displaced by+    d_i[hvg] = V (w_c + eta * g_i),   w_c = V^T Delta_c[hvg],+where g_i = mean_{j in kNN(i)} (z_j - z_i) is the mean PC-space offset of the+cell's k=15 nearest neighbours in the stage-2 pool (z = V^T x_hvg, centered).+eta < 0 pushes each cell away from its local density centre along the local+tangential direction, restoring within-type cell-to-cell spread; eta = 0+disables the local term and reproduces the parent element-wise.++View independence: V and all offsets come from the view's own input matrices;+only relative time differences are used. Single input stage -> exact copy_last. """  from __future__ import annotations@@ -71,8 +70,8 @@ def group_means(X: sparse.csr_matrix, labels: np.ndarray, groups: dict[str, np.n def covariation_basis(Xa: sparse.csr_matrix, Xb: sparse.csr_matrix,                       k: int, n_hvg: int, n_cells: int, rng: np.random.Generator):     """Top-k right singular vectors of the centered, HVG-restricted pool of-    cells from both input stages. Returns (hvg_idx, V) with V orthonormal-    (n_hvg, k)."""+    cells from both input stages. Returns (hvg_idx, mu, V) with V orthonormal+    (n_hvg, k) and mu the pooled HVG means used for centering."""     X = sparse.vstack([Xa.tocsr(), Xb.tocsr()], format="csr")     n = X.shape[0]     if n_cells < n:@@ -87,12 +86,13 @@ def covariation_basis(Xa: sparse.csr_matrix, Xb: sparse.csr_matrix,     hvg = np.argpartition(-var, g - 1)[:g]     hvg.sort()     D = np.asarray(X[:, hvg].todense(), dtype=np.float64)-    D -= D.mean(axis=0, keepdims=True)+    mu = D.mean(axis=0, keepdims=True)+    D -= mu     kk = int(min(k, min(D.shape) - 1))     v0 = rng.standard_normal(min(D.shape))     _, _, Vt = svds(D, k=kk, v0=v0)     V = np.ascontiguousarray(Vt[::-1].T)  # (g, kk), descending singular values-    return hvg, V+    return hvg, mu.ravel(), V   def main() -> None:@@ -112,6 +112,10 @@ def main() -> None:                         default=int(os.environ.get("VEC_PROJ_CELLS", "3000")))     parser.add_argument("--proj-norm", action="store_true",                         default=os.environ.get("VEC_PROJ_NORM", "") == "1")+    parser.add_argument("--local-eta", type=float,+                        default=float(os.environ.get("VEC_LOCAL_ETA", "-3.0")))+    parser.add_argument("--local-k", type=int,+                        default=int(os.environ.get("VEC_LOCAL_K", "15")))     parser.add_argument("--no-time-scale", action="store_true",                         default=os.environ.get("VEC_NO_TIME_SCALE", "") == "1")     args = parser.parse_args()@@ -175,12 +179,26 @@ def main() -> None:          # low-rank covariation basis from the two input stages (own rng stream,         # keeps the sample_rows draw above identical to the parent)-        hvg = V = None+        hvg = V = mu = None+        Z2 = G = None         if use_proj:             rng_proj = np.random.default_rng(np.array([args.seed, 0x5EED], dtype=np.int64))-            hvg, V = covariation_basis(prev.X.tocsr(), last.X.tocsr(),-                                       args.proj_k, args.proj_hvg,-                                       args.proj_cells, rng_proj)+            hvg, mu, V = covariation_basis(prev.X.tocsr(), last.X.tocsr(),+                                           args.proj_k, args.proj_hvg,+                                           args.proj_cells, rng_proj)+            # per-cell local tangential offsets (mechanism of this node):+            # PC coordinates of every stage-2 cell; for each output cell,+            # g_i = mean over its kNN (excluding itself) of (z_j - z_i).+            if args.local_eta != 0.0:+                Xl = last.X.tocsr()+                Z2 = (np.asarray(Xl[:, hvg].todense(), dtype=np.float64) - mu) @ V+                n2 = Z2.shape[0]+                zz = np.einsum("ij,ij->i", Z2, Z2)+                D2 = np.maximum(zz[:, None] + zz[None, :] - 2.0 * (Z2 @ Z2.T), 0.0)+                D2[np.arange(n2), np.arange(n2)] = np.inf+                kk = int(min(args.local_k, n2 - 1))+                nbr = np.argpartition(D2, kk - 1, axis=1)[:, :kk]+                G = Z2[nbr].mean(axis=1) - Z2  # (n2, kk_dim)          beta = float(args.proj_beta)         diag = []@@ -201,11 +219,23 @@ def main() -> None:                 d = df             d = d.astype(np.float32)             tmask = np.flatnonzero(labs == t)-            for i in tmask:+            Loc = None+            if G is not None:+                loc = args.local_eta * beta * (G[rows[tmask]] @ V.T)  # (m, n_hvg)+                Loc = np.zeros((len(tmask), d.shape[0]), dtype=np.float32)+                Loc[:, hvg] = loc+                nm = np.linalg.norm(loc, axis=1)+                print("local %-16s m=%4d ||loc||=%.3f (ref %.3f)"+                      % (str(t), len(tmask), float(nm.mean()),+                         float(np.linalg.norm(d[hvg]))), file=sys.stderr)+            for m_i, i in enumerate(tmask):                 lo, hi = Xs.indptr[i], Xs.indptr[i + 1]                 if hi > lo:                     cols = Xs.indices[lo:hi]-                    Xs.data[lo:hi] = np.maximum(Xs.data[lo:hi] + d[cols], 0.0)+                    add = d[cols]+                    if Loc is not None:+                        add = add + Loc[m_i, cols]+                    Xs.data[lo:hi] = np.maximum(Xs.data[lo:hi] + add, 0.0)         X = Xs         if use_proj and diag:             print("proj diag (type, n_cells, ||proj||/||d||, corr):", file=sys.stderr)

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

Done. Final state of `solution/` verified: default run deterministic, vec-check ok, η=0 control element-wise equals parent node 5.

**做了什么**：按 PLAN 在节点 5（per-type EB 位移 + top-25 PC 低秩投影）之上实现逐细胞局部切向位移：stage2 池 PC 坐标 kNN(k=15) 平均偏移 g_i，HVG 位移 = V(w_c + η·g_i)。实测正 η（PLAN 预设 0–1）单调变差，**负 η 单调变好**（外向推开局部密度中心，恢复型内离散度），平台在 η=-3，已设为默认；η=0 对照与节点 5 逐元素一致。

**查分结果**（X3 A 半，14/20 次）：η=-3 seed0 **58.87** / seed1 **58.74**（均值 58.81，父节点同口径 53.94，+4.9 > 噪声线）；cell_state 61.8→82.9（接近节点 9 的 83.8），de_recovery +0.5，代价 covariation 47.7→44.2、direction −1。η=-2/-3.5/local-k25/proj-k40 均 ≤ 峰值。

**下一步最值得试**：① η=-3 局部扩张 × 节点 9 位移轴幅度调制（γ=10）组合——两者都把 cell_state 推到 ~83 但机制正交，可能上 60+；② 修复 covariation 损失：局部项限幅（‖η·Vg_i‖ 按型归一）或只对 variogram 敏感的低阶 PC 施加扩张；③ final 视图 r=1 时局部项相对更强，|η| 需重校准（本节点分数只由 X3 决定，未验证 final）。

调研员

~51) while preserving covariation gain.

I'll now write the plan.

```json
{"name": "局部切向投影位移：PC子空间内按细胞kNN局部方向细化每型位移，提升direction与de_recovery",
 "motivation": "父节点5总分54.83，四组中direction仅51.22、de_recovery 52.34，均显著低于全树最佳节点9的cell_state机制（83.82）所对应的水平；covariation已修复至48.20但仍低于节点2的52.52。节点5的机制是对每型施加单一常位移向量再投影到全局PC子空间——所有同型细胞共享同一方向，无法表达型内沿分化轨迹的局部方向差异，这是direction偏弱的结构性原因。节点9已证明逐细胞调制能大幅提升cell_state，但节点9的covariation反而降到44.90、direction降到49.78，说明纯幅度调制不修复方向；本方案在保留节点5低秩协变投影的基础上，把每型常位移替换为逐细胞的局部切向位移，针对direction与de_recovery。兄弟节点8已证明非HVG保留系数γ平坦，不重复该改法。",
 "approach": "保留节点5全部管线（copy_last抽样、per-type EB收缩δ_c、时间缩放α·r、只作用非零元、max(0,·)、top-k PC投影混合），在投影步之前把每型单一位移替换为逐细胞位移。步骤：1) 对每个输出细胞i（属于型c），在stage2合并池中找其kNN（k=15，用节点5同一HVG子集的PCA坐标，k=25维，复用已算好的V与细胞坐标，不额外SVD）；2) 计算每个邻居相对细胞i的位移方向向量（用stage1→stage2的同型均值差δ_c作为全局先验方向，局部方向=δ_c加上邻居坐标差在PC子空间的投影分量）；3) 细胞i的局部位移Δ_i = V(Vᵀ(δ_c + η·mean_kNN(邻居在PC空间的切向偏移)))，η为局部混合系数（初值0.5，扫描{0,0.25,0.5,0.75,1.0}）；4) 再按节点5的(1−β)Δ+βV(VᵀΔ)混合，β沿用1.0；5) 其余施加方式不变。单输入阶段退路：len(entries)<2时严格退化为copy_last（不进入本机制）。vec-score快速筛选：先只跑η∈{0,0.5}双对照确认机制非平凡，再扫η；用A半seed0+seed1，差距<2分视为噪声不采纳。关键参数初值：kNN k=15（范围10–30），η=0.5（范围0–1），PC维k=25、HVG 8000、β=1.0沿用。",
 "expected_groups": ["direction", "de_recovery"],
 "risks": "1) 局部方向可能放大噪声，若kNN邻居跨型混杂会破坏covariation——Engineer应先跑η=0.25并检查covariation是否跌破47；2) 若kNN切向偏移幅度远小于δ_c，机制退化为常位移（η平坦），应尽早用η=0对照发现；3) 计算量增加，需确保仍<30分钟、内存<24GB（预计kNN在3000细胞PCA坐标上很快）；4) direction提升若<2分则不能确认有效，须双seed。",
 "family_id": "other",
 "mechanism": "在低秩协变投影之上，把每型单一常位移细化为逐细胞局部切向位移：每个细胞的位移方向由其kNN邻居在PC子空间内的局部偏移修正，使同型内沿轨迹不同位置的细胞朝各自局部方向移动。",
 "vs_constant_shift": "常位移对所有同型细胞施加同一向量；本机制保留全局EB收缩先验δ_c，但用细胞自身kNN邻域在低秩子空间内的切向偏移逐细胞修正方向，方向随细胞在型内的局部位置变化，不再是常数。",
 "mechanism_evidence": "Engineer应报告：1) η>0时逐细胞位移方向的型内离散度（如型内位移两两余弦相似度的均值，应显著低于η=0时的≈1）；2) 实际被改变方向的细胞比例与幅度分布；3) 四组分各自随η的变化，尤其direction与de_recovery是否单调、covariation是否保持≥47；4) η=0对照与节点5逐元素一致。",
 "mechanism_off_control": "同一程序设η=0（或--local-eta 0），局部切向修正项归零，每型退化为节点5的单一常位移+投影，预期输出与节点5逐元素一致（(A!=B).nnz==0）；若η=0与η>0输出相同，说明局部修正未生效。",
 "sources": []}
```

审查员

REVIEW.json written