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

节点 n16

按PLAN在节点13上加逐细胞kNN速度修正λ·v_i（同型stage1近邻、型内零均值、亲本回退）；λ正负双向均单调降分且direction不动（PLAN风险2成立），中止并提交λ=0，输出与节点13逐元素一致。

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 d2266fa16d: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 3c38738ce2。改动的文件：solution/METHOD.md +25 −35、solution/run.py +73 −3

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 2f7c473..fa7ac2e 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,49 +1,39 @@-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。+按PLAN在节点13上加逐细胞kNN速度修正λ·v_i（同型stage1近邻、型内零均值、亲本回退）；λ正负双向均单调降分且direction不动（PLAN风险2成立），中止并提交λ=0，输出与节点13逐元素一致。 -## 方法（family: other，PLAN 指定的局部切向位移机制）+## 实际实现的方法族（family: other，PLAN 指定机制） -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）。+完整保留节点 13 管线：copy_last 抽样（rng 流不变）、per-type EB 位移 δ_c（含 SYNONYM_PARENTS 改名回退）、时间缩放 α·r（α=1.5，只用相对时间差）、top-8000 HVG / top-25 PC 基 V / β=1 低秩投影、η=-3 逐细胞局部扩张、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）。 -本节点新增（PLAN 机制，逐细胞位移）：--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。--**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。+新增（PLAN 机制）：+1. `--vel-lambda λ`（默认 0，环境变量 VEC_VEL_LAMBDA）：stage2 细胞 i（型 c）在 25 维 PC 空间对**同型 stage1 细胞**建 cKDTree，取 k_vel=10 近邻，v_i = z_i − mean(z_neighbors)；v_i 在型内零均值（保留 δ_c 型级位移不变）。+2. 改名/分出型回退：同型 stage1 细胞 <5 时改用 SYNONYM_PARENTS 亲本（V-CM←LV/RV-CM，Endocardium/BEC←Endothelium）——与 δ_c 用的是同一张通用谱系映射表（官方 T1 词汇改名知识，非保留阶段测量）；仍 <5 则跳过该型（v_i=0）。每型 stage1/stage2 细胞数上限 3000（确定性等距抽样，不耗 rng）。+3. `--vel-pc0 m`：把 v_i 的前 m 个 PC 分量置零（PLAN 的 PC 6–25 限制变体）。+4. 逐细胞 HVG 位移 = β·V(η·g_i + λ·v_i)；λ=0 时 Vmat 整段旁路，走节点 13 的原始算术路径，输出**逐元素一致**（实测 (A!=B).nnz==0）。  ## 机制关闭对照（mechanism_off_control） -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。+λ=0（默认）：与节点 13 在同一视图同一 seed 下预测逐元素一致（nnz diff = 0），X3 A 半 seed0 = 58.8703（= 节点 13 记录的 58.87），四组分完全相同（cs 82.85 / cov 44.16 / de 50.96 / dir 49.78）。对照成立。 -## 机制生效证据（PLAN mechanism_evidence）+## 机制生效证据（λ>0 时确实改变了细胞） -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）。+- λ=1（含亲本回退）：mean‖v_i‖=8.70，98.9% 细胞 v_i≠0（跳过型只剩 pSHF/ST/NCC-derived 等 <5 亲本细胞的小型），输出与 λ=0 相差 1,172,204 个非零元——非微扰。+- λ=1（无回退版）：mean‖v_i‖=6.65，76.1% 细胞非零（Endocardium 305、V-CM 189 等大群因 stage1 无同型细胞被跳过）。 -## 查分记录（X3 A 半，共 10 次查询）+## 查分记录（X3 A 半，seed 0，共 14 次查询，剩余 6） -| 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 | - |+| 配置 | 总分 | cell_state | covariation | de_recovery | direction |+|---|---|---|---|---|---|+| λ=0（=节点13） | **58.87** | 82.85 | 44.16 | 50.96 | 49.78 |+| λ=0.5（跳过版） | 58.58 | 82.76 | 43.49 | 50.48 | 49.74 |+| λ=1/2/3/5（跳过版） | 57.82 / 54.80 / 51.62 / 44.90 | 单调降 | 单调降 | 降 | 49.7→48.9 |+| λ=−0.5 / −1（跳过版） | 58.38 / 57.37 | 80.77 / 76.89 | 44.84 / 45.58 | 50.96 | 49.76 / 49.80 |+| λ=0.5/1/2/3（亲本回退版） | 58.12 / 56.48 / 52.06 / 47.46 | 单调降 | 单调降 | 降 | ≤49.78 |+| λ=1/2（PC 6–25 限制） | 58.11 / 55.98 | 81.18 / 75.37 | 43.45 / 42.86 | 50.48 / 49.53 | 49.80 / 49.66 | -（*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**。+**结论（PLAN 风险 2 应验，中止）**：direction 在所有 λ（正、负、亲本回退、PC 子集）下都停在 49.4–49.8 噪声地板（PLAN 判据 ≥53 从未接近）；|λ| 增大只单调稀释 cell_state 与 covariation。stage1→stage2 的型内 kNN 速度方向对 stage2→目标的 direction 没有可用信号——X3 两输入只差 0.25 天，kNN 速度主要反映采样噪声而非轨迹方向。按 PLAN 步骤 5/风险 2 的预设中止条件，提交 λ=0。  ## 验证过 / 没验证 -- 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。+- 验证过：λ=0 与节点13逐元素一致；λ>0 输出确定性（同 seed 复跑一致）、通过 vec-check；seed 1 默认参数跑通并过 vec-check；耗时 ~12s、内存不变（cKDTree 开销 <1s）。+- 没验证：final/proxy 视图（λ=0 与节点13同码路径，行为由其继承）；λ 与 η 的二维联扫（λ 单维已单调有害，PLAN 风险 4 的 η=-2 联扫未做）；vel_k、cap 的敏感性（机制方向性失败，调参无意义）。+- 知识来源：SYNONYM_PARENTS 沿用节点 5/13（官方 T1 词汇的改名/拆分，通用谱系知识）；其余全部由视图数据现场计算，无硬编码阶段统计量。diff --git a/solution/run.py b/solution/run.pyindex 3ee234b..af08d79 100644--- a/solution/run.py+++ b/solution/run.py@@ -14,6 +14,14 @@ 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. +This node additionally implements (behind --vel-lambda, default 0) a per-cell+kNN velocity correction: v_i = z_i - mean of the k_vel nearest stage-1 cells+of the same type (SYNONYM_PARENTS fallback for renamed types), zero-meaned+within each type, entering the displacement as V(eta*g_i + lambda*v_i).+Scored on X3 (A half): lambda != 0 monotonically lowers the total and never+moves `direction` above the noise floor (see METHOD.md), so the submitted+default lambda = 0 reproduces node 13 element-wise (mechanism-off control).+ 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. """@@ -116,6 +124,12 @@ def main() -> None:                         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("--vel-lambda", type=float,+                        default=float(os.environ.get("VEC_VEL_LAMBDA", "0.0")))+    parser.add_argument("--vel-k", type=int,+                        default=int(os.environ.get("VEC_VEL_K", "10")))+    parser.add_argument("--vel-pc0", type=int,+                        default=int(os.environ.get("VEC_VEL_PC0", "0")))     parser.add_argument("--no-time-scale", action="store_true",                         default=os.environ.get("VEC_NO_TIME_SCALE", "") == "1")     args = parser.parse_args()@@ -181,6 +195,7 @@ def main() -> None:         # keeps the sample_rows draw above identical to the parent)         hvg = V = mu = None         Z2 = G = None+        Vmat = None         if use_proj:             rng_proj = np.random.default_rng(np.array([args.seed, 0x5EED], dtype=np.int64))             hvg, mu, V = covariation_basis(prev.X.tocsr(), last.X.tocsr(),@@ -189,16 +204,63 @@ def main() -> None:             # 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:+            if args.local_eta != 0.0 or args.vel_lambda != 0.0:                 Xl = last.X.tocsr()                 Z2 = (np.asarray(Xl[:, hvg].todense(), dtype=np.float64) - mu) @ V                 n2 = Z2.shape[0]+            if args.local_eta != 0.0:                 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)+            # per-cell velocity directional correction (mechanism of this node):+            # for each stage-2 cell i of type c, v_i = z_i - mean of its+            # k_vel nearest stage-1 cells OF THE SAME TYPE in PC space; then+            # zero-mean v within each type (type-level delta_c preserved).+            if args.vel_lambda != 0.0:+                from scipy.spatial import cKDTree+                Xp = prev.X.tocsr()+                Z1 = (np.asarray(Xp[:, hvg].todense(), dtype=np.float64) - mu) @ V+                Vmat = np.zeros_like(Z2)+                queried = []+                cap = int(args.proj_cells)+                for t in np.unique(lab2):+                    m2 = np.flatnonzero(lab2 == t)+                    m1 = np.flatnonzero(lab1 == t)+                    if m1.size < 5:+                        # renamed/split types: fall back to stage-1 parent types+                        # (same general-lineage SYNONYM_PARENTS used for delta)+                        par = np.zeros(lab1.shape[0], dtype=bool)+                        for p in SYNONYM_PARENTS.get(str(t), ()):+                            par |= lab1 == p+                        if par.sum() >= 5:+                            m1 = np.flatnonzero(par)+                    if m1.size < 5 or m2.size == 0:+                        print("vel skip %s (n1=%d n2=%d)" % (str(t), m1.size, m2.size),+                              file=sys.stderr)+                        continue+                    if m1.size > cap:  # deterministic even-spaced subsample+                        m1 = m1[np.linspace(0, m1.size - 1, cap).astype(int)]+                    if m2.size > cap:+                        m2 = m2[np.linspace(0, m2.size - 1, cap).astype(int)]+                    tree = cKDTree(Z1[m1])+                    kv = int(min(args.vel_k, m1.size))+                    _, nidx = tree.query(Z2[m2], k=kv)+                    if kv == 1:+                        nidx = nidx[:, None]+                    Vmat[m2] = Z2[m2] - Z1[m1][nidx].mean(axis=1)+                    queried.append(m2)+                if queried:+                    for m2 in queried:+                        sub = Vmat[m2]+                        Vmat[m2] = sub - sub.mean(axis=0, keepdims=True)+                if args.vel_pc0 > 0:+                    Vmat[:, :args.vel_pc0] = 0.0+                nv = np.linalg.norm(Vmat, axis=1)+                print("vel: mean||v||=%.4f  frac>0: %.3f"+                      % (float(nv.mean()), float((nv > 0).mean())), file=sys.stderr)          beta = float(args.proj_beta)         diag = []@@ -220,8 +282,16 @@ def main() -> None:             d = d.astype(np.float32)             tmask = np.flatnonzero(labs == t)             Loc = None-            if G is not None:-                loc = args.local_eta * beta * (G[rows[tmask]] @ V.T)  # (m, n_hvg)+            if G is not None or Vmat is not None:+                if Vmat is None:+                    # exact node-13 arithmetic path (element-wise identical)+                    loc = args.local_eta * beta * (G[rows[tmask]] @ V.T)+                else:+                    per = np.zeros((len(tmask), V.shape[1]), dtype=np.float64)+                    if G is not None:+                        per += args.local_eta * G[rows[tmask]]+                    per += args.vel_lambda * Vmat[rows[tmask]]+                    loc = beta * (per @ 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)

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

**做了什么**：按 PLAN 在节点 13 上实现逐细胞 kNN 速度方向修正（λ·v_i，同型 stage1 近邻 k=10、型内零均值、SYNONYM_PARENTS 亲本回退、PC 6–25 子集开关），λ=0 严格旁路并与节点 13 逐元素一致（(A!=B).nnz==0）。

**查分结果**（X3 A 半 seed0，14/20 次）：λ=0 = 58.87（对照成立）；λ∈{±0.5,1,2,3,5}、亲本回退版、PC 子集版全部单调降分（58.6→44.9），direction 在所有配置下停在 49.4–49.8 噪声地板，从未接近 PLAN 判据 ≥53。PLAN 风险 2 应验（两输入仅差 0.25 天，kNN 速度主要是采样噪声），按预设条件中止，提交 λ=0（正式分应≈父 61.27）。vec-check 通过，seed 0/1 均确定，耗时 ~12s。

**下一步最值得试**：direction 组（~50）对逐细胞方向扰动完全不敏感，四组里唯一没被任何节点撬动过；建议放弃"在位移上加逐细胞方向项"这一整族（节点 9/10/13/16 均未动 direction），转向 de_recovery/covariation：如对 η·g_i 局部项做型内范数归一（父节点 ANALYSIS 建议 2），目标把 covariation 拉回 ≥47 同时保住 cell_state 86.8，预期净收益 +1~2。

调研员

r should verify λ=0 output is element-wise identical to node 13 ((A!=B).nnz==0) before scoring any λ>0.",
  "family_id": "other",
  "mechanism": "Per-cell directional correction from local stage1→stage2 kNN velocity in PC space: each output cell's displacement gains a zero-mean (within-type) component λ·v_i pointing along the direction that cell's local neighborhood actually moved between the two input stages, breaking the shared-direction degeneracy of δ_c.",
  "vs_constant_shift": "Constant per-type displacement gives every cell of a type the same vector δ_c. This mechanism adds a per-cell directional component v_i that varies from cell to cell based on each cell's local stage1→stage2 correspondence in PC space. The direction of v_i is different for each cell (not just a scaled copy of δ_c), and it is zero-mean within each type so it does not shift the type centroid. The η·g_i expansion term restores spread magnitude; λ·v_i provides spread direction.",
  "mechanism_evidence": "1) Per-type cosine similarity of displacement directions: at λ=0 all cells of a type share direction (cosine=1); at λ>0 the pairwise cosine within types should drop substantially (analogous to node 13's η evidence: 1.0→0.00–0.06). 2) Direction group score must rise above 52 (noise floor ~50+2); if direction stays ≤52 the velocity signal is not reaching the score. 3) Report per-group deltas for all four components at each λ. 4) Verify v_i is non-degenerate: mean ‖v_i‖ across cells, fraction of cells with ‖v_i‖>0.1·‖w_c‖. 5) λ=0 control must be element-wise identical to node 13.",
  "mechanism_off_control": "Set --vel-lambda 0 (CLI arg, default 0): the v_i computation is skipped entirely (or multiplied by zero), and the displacement reduces to V(w_c + η·g_i), which is node 13. Output must be element-wise identical to node 13 on the same view and seed ((A!=B).nnz==0). Expected difference at λ>0: direction group rises, cell_state stays within ±2, covariation may drop 1–3 pts.",
  "sources": []
}