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

节点 n22 终选程序?按该运行锁定的规则最终选出的程序；可能是候选节点，也可能由护栏回退到基线。在终选来历上

在节点21管线上新增--gamma（默认0.3）：每个输出细胞的型级低秩位移 V·w_c 按 (1+γ·clip(p,±2)) 逐细胞缩放，p 为该细胞 stage2 HVG 表达相对本型均值在位移轴 ŵ_c 上的投影；γ=0 逐元素还原节点21。X3 A半双seed +0.42/+0.58（γ=0.3），PLAN 的 γ=10 与局部项复合失败（-30分）。

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 246fbd7975: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 6b60640f73。改动的文件：solution/METHOD.md +24 −26、solution/run.py +37 −7

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 1630d0b..5f1b5eb 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,45 +1,43 @@-按PLAN实现PC-band限制局部扩张（η·g只作用于第m+1–25维PC）：实测m>0全部降总分（covariation与cell_state单调权衡，交换率≈1:7），成功判据不成立；转而实现PLAN风险1的预案——逐细胞局部项范数归一（‖η·Vg_i‖按型归一到型投影位移范数的f倍），f=1.3双seed均正（+0.8/+0.3，噪声内），提交m=0、f=1.3，其余与节点13一致。+在节点21管线上新增--gamma（默认0.3）：每个输出细胞的型级低秩位移 V·w_c 按 (1+γ·clip(p,±2)) 逐细胞缩放，p 为该细胞 stage2 HVG 表达相对本型均值在位移轴 ŵ_c 上的投影；γ=0 逐元素还原节点21。X3 A半双seed +0.42/+0.58（γ=0.3），PLAN 的 γ=10 与局部项复合失败（-30分）。 -## 方法（family: other，PLAN 指定机制 + PLAN 风险1 预案）+## 方法（family: other，PLAN 指定机制） -完整保留节点13管线：copy_last抽样、per-type EB位移、α·r时间缩放、top-25 PC低秩投影（HVG 8000）、逐细胞局部切向项 η·g_i（kNN k=15，η=-3）、只作用非零元、max(0,·)。单输入视图仍严格退化 copy_last。+完整保留节点21管线：copy_last抽样、per-type EB位移、α·r时间缩放、top-25 PC低秩投影（HVG 8000）、逐细胞局部切向项 η=-3、k=15、f=1.3 范数归一、只作用非零元、max(0,·)。单输入视图严格退化 copy_last（γ 分支在 `len(entries)>=2` 内，不执行）。 -本节点新增两个开关（均已实现并扫描）：+**本节点新增 --gamma（PLAN 机制：位移轴逐细胞幅度调制）**：对每个输出细胞 i（型 c），p_i = (z_i − z̄_c)·ŵ_c，其中 z 为 stage2 细胞的 PC 坐标（Z2 = (X_l[hvg]−mu)·V），ŵ_c = w_c/‖w_c‖，w_c = V^T·Δ_c[hvg] 为型级投影位移的 PC 系数（等价于 HVG 空间在轴 u_c = V·w_c 上的投影，V 正交）；p clip 到 ±2，型级低秩分量乘 s_i = 1+γ·clip(p_i)。局部项（f 归一后的 η·g_i）不受调制，与 PLAN 公式 V·((1+γ·clip(p_i))·w_c + f归一 η·g_i) 一致。β<1 时只调制 β·tilde 部分。**γ=0 时整个分支跳过，输出与节点21逐元素一致（实测 (A!=B).nnz==0）**。 -1. **--pc-band-start m（PLAN机制）**：构造掩码把 G（逐细胞PC偏移矩阵）前 m 列置零，局部扩张只作用于 PC m+1…25；低阶PC仅保留型级位移 w_c。kNN仍在全部25维PC空间搜索（邻居选择不变）。m=0 退化为节点13。-2. **--local-norm f（PLAN风险1预案）**：把每个细胞的局部项 HVG 向量范数归一到 f·‖d_c[hvg]‖（该型投影位移范数），方向仍由 kNN 局部几何逐细胞决定。f=0 关闭。+**提交配置：γ=0.3、f=1.3、η=-3、k=15、m=0，其余同节点21。** -**提交配置：m=0、f=1.3、η=-3、k=15。**+## 机制生效证据与对照结果（X3 A半） -## 机制生效证据与对照结果（X3 A半，seed0，除注明外）+γ 扫描（seed0，亲本 seed0=59.69）： -**PC-band（PLAN机制）——判据不成立**：--| m | 总分 | cell_state | covariation | de_rec | direction |+| γ | 总分 | cell_state | covariation | de_rec | direction | |---|---|---|---|---|---|-| 0（=节点13） | **58.87** | 82.85 | 44.16 | 50.96 | 49.78 |-| 5 | 57.40 | 76.64 | 45.04 | 51.46 | 50.15 |-| 8 | 56.53 | 73.20 | 45.65 | 51.46 | 50.30 |-| 10 | 55.88 | 70.18 | 46.06 | 51.96 | 50.51 |-| 15 | 54.34 | 64.95 | 46.66 | 51.46 | 50.64 |-| 20 | 53.47 | 62.63 | 47.07 | 50.48 | 50.61 |+| 0（=节点21） | 59.69 | 85.55 | 44.65 | 50.48 | 49.91 |+| 0.15 | 60.02 | 86.81 | 44.47 | 50.48 | 49.86 |+| **0.3** | **60.11** | 87.63 | 44.33 | 50.00 | 49.83 |+| 0.5 | 60.03 | 87.40 | 44.20 | 50.00 | 49.87 |+| 1.0 | 57.37 | 78.66 | 44.04 | 50.00 | 49.84 |+| 3 | 41.01 | 31.93 | 41.83 | 43.44 | 48.83 |+| 10 | 29.82 | 10.71 | 21.26 | 42.06 | 47.36 | -PLAN预期的单调性成立（m↑→cov↑、cs↓），但交换率极差（≈+1 cov 换 −7 cs），总分随 m 单调下降；成功判据（cov≥46 且 cs≥82）在任何 m 上不可达。带内加大|η|补偿也不行：m5/η-5→57.07（cov 43.83）、m5/η-7→53.70、m10/η-8→55.93、m3/η-4→57.58——强η在带内同样侵蚀covariation。**PLAN风险1应验，机制假设（低阶PC稀释是covariation损失主因）不被支持**：covariation损失主要来自局部扩张本身（逐细胞外向推开降低全基因协方差），不限于低阶PC方向。+γ=0.3 seed1 = 59.57（亲本 seed1 = 58.99，+0.58）；双seed均值 59.84 vs 59.34（**+0.50，小于2分噪声线，属弱正信号，不宣称已证进步**）。曲线在 0.15–0.5 有平台（60.02/60.11/60.03），非单点过拟合；cell_state 随小 γ 一致上升（+1.3~+2.1），cov/de/dir 轻微下降，符合"沿轴异质性↑→cs↑、其余组分小幅侵蚀"的树内既有交换模式。 -**范数归一（预案）**：m=0、η=-3下 f∈{0.3,0.6,1.0,1.3,1.6} → 总分 55.24/57.04/58.86/**59.69**/59.55，f=1.3峰值（cs 85.55、cov 44.65、de 50.48、dir 49.91）；f=1.15→59.37。归一把各型局部项幅度拉齐（原来‖loc‖为型位移范数的30%–240%），对幅度被低估的型补足离散度。f=1.3 seed1=58.99、f=1.15 seed1=58.94，对照父节点 seed0/1=58.87/58.74：**f=1.3 双seed均值 59.34 vs 58.81（+0.53），双seed均为正但小于2分噪声线**，属弱正信号，不是已证进步。+**PLAN 风险1应验**：节点9 的 γ=10 是在无局部项、无低秩投影的节点4管线上调出的；本管线上 p 的型内分布宽（sd≈1.7，多数细胞触 ±2 clip），γ=10 时 s∈[−19,21] 把位移放大 20 倍，cell_state 崩到 10.71、covariation 崩到 21.26。η 局部项已经提供型内离散度，位移轴调制的可用幅度比节点9 小一个数量级以上。PLAN 成功判据（A半 seed0 ≥62）未达成；但"γ>0 优于 γ=0 且双seed一致"成立，故按 PLAN 提交双seed一致且位于平台内的 γ=0.3，而非回退 γ=0。 -**关闭对照**（mechanism_off_control）：m=0 且 f=0 时输出与节点13程序同视图同seed预测**逐元素一致**（(A!=B).nnz==0，实测）；η=0 时与节点5一致的对照链沿用节点13（代码路径未动）。+机制证据（stderr 诊断）：γ>0 时各型 s 的型内标准差 >0（如 γ=0.3 时 s∈[0.4,1.6] 区间、sd≈0.5），mod 范数的型内离散随 γ 单调增大；γ=0 时分支不执行、逐元素对照通过——调制确实逐细胞生效且集中于 cell_state 组分，与 PLAN mechanism_evidence 预期方向一致（幅度远小于节点9 单独使用时的 +18）。 -## 查分记录（X3 A半，共用19次）+## 查分记录（X3 A半，共用 7 次） -band扫描5次 + band×强η 4次 + norm 5次 + norm seed1 3次 + norm1.15 s0/s1 2次。+γ∈{3,10} 2次 + γ∈{0.3,1.0} 2次 + γ∈{0.15,0.5} 2次 + γ=0.3 seed1 1次。γ=0 未查分（用逐元素对照代替，更强）。  ## 验证过 / 没验证 -- 验证：vec-check ok；默认参数输出与已查分的 f=1.3 seed0 预测逐元素一致；同seed两次运行逐元素一致（确定性）；~14s/0.7GB；纯CPU（EXECUTION.json gpu:false 不变）；m=0∧f=0 与节点13逐元素一致。-- 视图无关：仅用视图内数据与相对时间差；掩码/归一只依赖 V、G、型位移范数（全部现场计算）；无绝对时间、路径、字段顺序依赖。-- 没验证：final视图（r=1时局部项相对更强，f 最优点可能漂移）；B半真值；f∈(1.3,1.6)细网格（s0上1.6已回落，1.3为峰）。+- 验证：vec-check ok；默认参数与已查分 γ=0.3 seed0 预测逐元素一致；同 seed 两次运行逐元素一致（确定性）；γ=0 与父程序（节点21 run.py）同视图同 seed 逐元素一致（关闭对照）；单输入视图（用 X3 的 input_1 单独构造 mini view）严格退化 copy_last 不崩溃、652 cells；~8s / <1GB / 纯CPU（EXECUTION.json gpu:false 不变）。+- 视图无关：γ 只用视图内 Z2、w_c（现场计算）、相对时间差；无绝对时间、路径、manifest 字段顺序依赖；未读 board/mode/source 字段。+- 没验证：B半真值；final 视图（r=1 时型级位移更大，s 的相对调制幅度不变但绝对位移差更大，γ 最优点可能漂移）；γ∈(0.5,1.0) 与 p 标准化变体；γ×f/η 再联合调参（时间预算内只按 PLAN 固定 f=1.3、η=-3）。  ## 知识来源 -全部沿用节点5/13：标签改名词表（方法卡§标签）、EB收缩（标准经验贝叶斯）、PCA/kNN仅用视图内输入表达数据；无外部数据、无prior/、无禁窗信息、无硬编码统计量。+全部沿用节点5/13/21：标签改名词表（方法卡§标签）、EB收缩（标准经验贝叶斯）、PCA/kNN/位移轴投影仅用视图内输入表达数据；无外部数据、无 prior/、无禁窗信息、无硬编码统计量。diff --git a/solution/run.py b/solution/run.pyindex 756fbc9..379645c 100644--- a/solution/run.py+++ b/solution/run.py@@ -125,6 +125,13 @@ def main() -> None:                         default=float(os.environ.get("VEC_LOCAL_NORM", "1.3")),                         help="if >0, rescale each cell's local HVG term to this "                              "fraction of its type's projected displacement norm")+    parser.add_argument("--gamma", type=float,+                        default=float(os.environ.get("VEC_GAMMA", "0.3")),+                        help="per-cell modulation of the type-level low-rank "+                             "displacement: scale w_c by (1+gamma*clip(p,-2,2)) "+                             "where p is the cell's stage-2 HVG deviation from "+                             "its type mean projected on the unit axis of V w_c; "+                             "gamma=0 reproduces node 21 element-wise")     parser.add_argument("--no-time-scale", action="store_true",                         default=os.environ.get("VEC_NO_TIME_SCALE", "") == "1")     args = parser.parse_args()@@ -195,12 +202,14 @@ def main() -> None:             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):+            # per-cell local tangential offsets (node 13 mechanism):             # 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:+            # Z2 is also needed by the gamma modulation (this node).+            if args.local_eta != 0.0 or args.gamma != 0.0:                 Xl = last.X.tocsr()                 Z2 = (np.asarray(Xl[:, hvg].todense(), dtype=np.float64) - mu) @ V+            if args.local_eta != 0.0 and Z2 is not None:                 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)@@ -208,10 +217,9 @@ def main() -> None:                 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)-                # PC-band restriction (mechanism of this node): zero out the-                # first m PC columns of G so the local expansion acts only on-                # PCs m..k-1; low-order PCs keep the type-level w_c shift,-                # protecting the dominant covariation axes. m=0 -> node 13.+                # PC-band restriction (node 21 switch, m=0 disables): zero out+                # the first m PC columns of G so the local expansion acts only+                # on PCs m..k-1; low-order PCs keep the type-level w_c shift.                 m0 = int(args.pc_band_start)                 if m0 > 0:                     band = np.zeros(G.shape[1], dtype=np.float64)@@ -224,9 +232,11 @@ def main() -> None:         labs = lab2[rows]         for t in np.unique(labs):             d = scale * delta_for(str(t))+            wc = tilde = None             if use_proj:                 dv = d[hvg]-                tilde = V @ (V.T @ dv)+                wc = V.T @ dv+                tilde = V @ wc                 nd, nt = float(np.linalg.norm(dv)), float(np.linalg.norm(tilde))                 if args.proj_norm and nt > 0:                     tilde *= nd / nt@@ -250,6 +260,26 @@ def main() -> None:                 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)+            # gamma modulation (mechanism of this node): scale each cell's+            # type-level low-rank displacement by (1 + gamma*clip(p,-2,2)),+            # p = projection of the cell's stage-2 HVG deviation from its type+            # mean onto the unit axis of V w_c. gamma=0 -> branch skipped,+            # output identical to node 21 element-wise.+            if args.gamma != 0.0 and wc is not None and Z2 is not None:+                wn = float(np.linalg.norm(wc))+                if wn > 0:+                    zt = Z2[np.flatnonzero(lab2 == t)].mean(axis=0)+                    p = (Z2[rows[tmask]] - zt) @ (wc / wn)+                    s = 1.0 + args.gamma * np.clip(p, -2.0, 2.0)+                    mod = (beta * (s - 1.0))[:, None] * tilde[None, :]+                    if Loc is None:+                        Loc = np.zeros((len(tmask), d.shape[0]), dtype=np.float32)+                    Loc[:, hvg] += mod+                    print("gamma %-16s m=%4d s=[%.2f,%.2f] sd=%.2f std||disp||_within=%.3f"+                          % (str(t), len(tmask), float(s.min()), float(s.max()),+                             float(s.std()),+                             float(np.std(np.linalg.norm(mod, axis=1)))),+                          file=sys.stderr)             for m_i, i in enumerate(tmask):                 lo, hi = Xs.indptr[i], Xs.indptr[i + 1]                 if hi > lo:

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. Summary:

**做了什么**：在节点21管线上新增 `--gamma`（默认0.3）：每个输出细胞的型级低秩位移按 (1+γ·clip(p,±2)) 逐细胞缩放，p 为细胞 stage2 表达相对本型均值在位移轴上的投影（PLAN 指定机制）。γ=0 逐元素还原节点21（实测 nnz==0）；单输入视图严格退化 copy_last（mini-view 实测）；确定性、vec-check、EXECUTION.json 均验证通过。

**查分结果**（X3 A半，用7/20次）：PLAN 的 γ=10 复合彻底失败（29.82，风险1应验——η 局部项已提供型内离散度，p 分布宽导致 s 饱和在 ±20 倍）；γ 扫描发现小 γ 平台：0.15/0.3/0.5 → 60.02/**60.11**/60.03（亲本 seed0=59.69），γ=0.3 seed1=59.57（亲本 58.99）。双seed均值 +0.50，cell_state 一致 +1.3~2.1，cov/de/dir 轻微下降；小于2分噪声线，属弱正信号。PLAN ≥62 判据未达成，按"双seed一致且不过拟合单点"提交 γ=0.3。

**下一步最值得试**：① γ 的标准化变体（p 除以型内 sd 后再 clip，消除饱和，可能允许更大有效幅度）；② final 视图上重校准 γ 与 f（r=1 时调制绝对幅度更大，最优点可能更小）；③ γ 与 η 的联合细调（两者都增大位移异质性，可能存在 cs-cov 交换的更优组合点）。

调研员

：节点9 的位移轴调制 γ=10 使 cell_state +18.18（65.64→83.82，rank3 59.66），节点13/21 的逐细胞局部扩张+范数归一使 cell_state 64.34→89.11。ANALYSIS next_suggestion 2 明确建议先查 γ×f 组合；γ 拉伸沿型级位移轴、η 扩张沿局部几何切向，机制独立，预期 cell_state 与 direction 可叠加。",
  "approach": "以节点21代码为基础（copy_last抽样 + per-type EB位移 + α·r时间缩放 + top-25 PC低秩投影(HVG8000) + η=-3、k=15、f=1.3 局部项），新增 --gamma（默认0）：对每个输出细胞计算 p_i = 该细胞 stage2 HVG 表达相对本型 stage2 均值在型级投影位移轴 u_c = V·w_c 上的投影，clip 到 ±2，低秩位移改为 V·((1+γ·clip(p_i))·w_c + f归一后的 η·g_i)；γ=0 逐元素还原节点21（关闭对照）。u_c 与 p_i 全部用视图内输入现场计算，只用相对时间差，无任何视图身份判断。查分步骤（X3 A半，预算≤10次）：1) γ∈{0,3,10}×f=1.3，seed0，3次；2) 最优 γ 在 seed1 复测并与亲本 seed1 对比（亲本 seed0/1=59.69/58.99），2-3次；3) 若 γ=10 最优，细扫 γ∈{6,10,14}，2-3次；4) 验证单输入阶段时严格退化（无第二输入→直接 copy_last，γ 分支不执行）。先小样本冒烟（确认 <1min、<1GB）再全量。成功判据：A半 seed0 总分 ≥62 且 γ>0 优于 γ=0，且双 seed 均高于亲本对应 seed；若所有 γ>0 均不优于 γ=0，提交 γ=0（与节点21逐元素一致）并如实报告组合失败。",
  "expected_groups": ["cell_state", "direction"],
  "risks": "1) γ 最优点漂移：节点9 的 γ=10 是在无局部项的节点4管线上调出的，叠加 η=-3 与 f=1.3 后最优点可能变小——用 γ∈{3,10} 小网格先行探测，若总分随 γ 单调降则尽早止损提交 γ=0；2) 收益叠加失败：γ 与 η 都增大位移异质性，可能边际递减或 cell_state 饱和、covariation 进一步被侵蚀——每次查分记录四组分，若 cs 不再升且 cov 明显降（>2分）即停止加大 γ；3) 时间尺度漂移：final 视图 r=1 时调制幅度相对更大，A半最优 γ 可能偏大——提交值取双 seed 一致且不过拟合单点的 γ；4) 单输入退化被破坏——单独验证该分支；5) 增益小于 2 分噪声：双 seed 不一致或均值提升 <2 时不宣称进步。",
  "family_id": "other",
  "mechanism": "逐细胞轨迹投影调制：按细胞相对本型 stage2 均值在型级位移轴上的投影 p_i，对该细胞的低秩型级位移做 (1+γ·clip(p,±2)) 的幅度缩放，使型内沿位移方向进度不同的细胞获得不同位移，恢复被常数位移压平的沿轴异质性；与节点21的局部几何扩张（η 项）机制正交并复合。",
  "vs_constant_shift": "常数位移对同型所有细胞施加同一向量；本机制的位移幅度随细胞在型内沿位移轴的位置逐细胞变化，产生型内沿轴梯度。它也不同于节点21的局部项（沿 kNN 局部切向的外向扩张）：γ 只调制型级分量 w_c 的幅度，方向仍为位移轴，两者作用方向不同、可独立开关。",
  "mechanism_evidence": "γ>0 时型内每细胞位移范数的离散度（如型内标准差）应随 γ 单调增大，且位移范数与 p_i 的型内相关系数为正；逐元素对照确认 γ=0 与节点21一致；四组分上预期 cell_state 相对 γ=0 有类节点9 的提升（节点9 上为 +18 量级，叠加后预期边际减小）、direction 观察是否脱离 49-50 地板、covariation 与 de_recovery 变化应在噪声内。",
  "mechanism_off_control": "同一程序设 --gamma 0：跳过调制分支，输出应与节点21程序同视图同 seed 的预测逐元素一致（(A!=B).nnz==0，沿用节点21的逐元素对照做法）；预期打开 γ 后差异集中在 cell_state 与 direction，de_recovery 基本不变。",
  "sources": []
}
```

审查员

REVIEW.json written