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

节点 n5 在终选来历上

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。

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 97bb03e43e: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 1c84075fcf。改动的文件：solution/METHOD.md +32 −37、solution/README.md +6 −4、solution/run.py +87 −19

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex b80f125..248461a 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,53 +1,48 @@-按细胞类型算 E(k-1)→E(k) 的基因均值差，做基因级 EB 收缩后按时间比例 α·r 只在非零元上加位移（保稀疏），外推到目标阶段。+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。 -## 方法（family: other / per-type damped displacement + EB shrinkage）+## 方法（family: other / 父节点 4 + 低秩协变投影，PLAN 指定的 improve 部件） -在 copy_last（父节点 1）基础上加机制：+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。 -1. 读最后两个输入阶段（视图无关：只遍历 `manifest["inputs"]`，按 `time` 排序；只有 1 个输入时严格退化为 copy_last）。-2. 对两阶段都出现的每个 `celltype` c，算逐基因伪批量差 δ_c,g = mean_g(stage2|c) − mean_g(stage1|c)（log 空间）。-3. 基因级经验贝叶斯收缩：λ = δ²/(δ² + σ²·(1/n1+1/n2))，σ² 为两阶段组内方差均值；收缩后 Δ = λ·δ。-4. stage2 独有类型用静态词表映射找 stage1 亲本（V-CM ← LV-CM+RV-CM 合并；Endocardium/BEC ← Endothelium），映射不到用全局（所有细胞）δ；这是官方 T1 词汇的改名/拆分知识（方法卡 §标签），不涉及任何保留阶段测量。-5. 输出细胞 = 最后阶段细胞抽样（同 copy_last，`target_n_cells`），每个细胞在其类型位移上做 x_new = max(0, x + α·r·Δ)，**只作用于已有非零元**（CSR data 原位修改），稀疏零结构不变。-6. r = (t_target − t_last)/(t_last − t_prev)，clip 到 [0,3]，只用相对时间差（视图平移不变）。X3 上 r=2（E9.0→E9.5 是 E8.75→E9.0 间隔的 2 倍），final 视图上 r=1，单输入视图 r 不适用（退化）。-7. α 默认 1.5（A 半上网格 {0,0.05,…,3} 选出，见下）。+新增一步（本节点机制）： -## 关键实现发现+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。 -稠密加位移（对所有基因、含零元）会把 nnz 从 6% 涨到 28.5%，variogram 从 0.0016 涨到 0.0102，covariation 从 48.6 崩到 11.7（α=1 稠密版总分 42.6，**低于**对照）。改成只在非零元上加位移后 covariation 基本保住（45.3–47.6），总分大幅上升。这是本节点相对 PLAN 的主要修正。+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）。 -## 查分记录（X3 A 半，seed 0，除非注明）+## 机制生效证据（mechanism_evidence，PLAN 要求） -| 变体 | 总分 | de_rec | dir | cell_state | covar |-|---|---|---|---|---|---|-| 对照 α=0（=copy_last） | 47.62 | 43.09 | 49.12 | 49.51 | 48.59 |-| 稠密 α=0.5 | 43.54 | 49.53 | 49.37 | 50.94 | 17.67 |-| 稀疏 α=0.25 | 49.28 | 47.32 | 49.34 | 51.75 | 47.97 |-| 稀疏 α=0.5 | 50.79 | 50.48 | 49.44 | 54.28 | 47.61 |-| 稀疏 α=1.0 | 52.14 | 50.48 | 49.64 | 59.25 | 46.69 |-| **稀疏 α=1.5（提交）** | **52.91** | 50.48 | 49.62 | 62.76 | 45.32 |-| 稀疏 α=2.0 | 52.97 | 50.48 | 49.61 | 64.14 | 43.50 |-| 稀疏 α=3.0 | 51.16 | 50.48 | 49.62 | 60.95 | 39.23 |-| 稀疏 α=1.5, seed 1 | 53.80 | 50.00 | 51.20 | 64.64 | 45.55 |+- 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。 -α=1.5 与 2.0 差 0.06（噪声内），取 1.5 因 covariation 损失更小、更稳。相对对照 +5.3，远超 2 分噪声。+## 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（mechanism_off_control）+| 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** | -- 对照（α=0，同一程序）：47.62 ≈ copy_last 47.92（B 半 vs A 半差异，在 0.5 容差内），确认管线本身无偏。-- λ 分布有区分度：各类型 f(λ>0.5) 在 0.08–0.24，中位 λ≈0（多数基因被收缩掉，非全 1/全 0）。-- 每类型 |λδ|>0.1 的基因数 368–3916（主类型 IFT-CM 737、Endocardium 584、Unknown 368），位移非平凡。-- 四组分变化（α=0 → 1.5）：de_recovery 43.1→50.5，cell_state 49.5→62.8，direction 49.1→49.6，covariation 48.6→45.3（−3.3，超过 PLAN 预期的 −1，但总分净增；α=1.0 时 covariation 只 −1.9）。-- 输出稀疏度不变：nnz 比例 6.05%（对照 6.09%），细胞确实被移动（mmd_u 0.0344→0.0241，向真值靠近）。+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）。++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。++**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。  ## 验证过 / 没验证 -- 验证：X3 视图 vec-check ok；seed 0 双跑逐元素一致（确定）；seed 1 分数 53.80；单输入合成视图（只留 input_0）跑通且 vec-check ok（copy_last 退路）；`EXECUTION.json {"gpu": false}`（纯 CPU，秒级）。-- 没验证：final 视图（E8.5+E9.5→E10.5，r=1，有效位移只有 X3 的一半，α 最优值可能不同——但节点分数只按 X3）；proxy2；B 半真值。-- α 是在 X3 A 半上选的，A/B 半差异可能让最优点漂移，但 α∈[1.0,2.0] 都在 52+ 的平台区，稳健。+- 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。  ## 知识来源 -- 标签改名/拆分（Endothelium→Endocardium/BEC，LV/RV-CM→V-CM）：任务书方法卡「T1 卡：E10.5 v1 §标签」，属通用词汇知识，不含保留阶段测量。-- EB 收缩公式 δ²/(δ²+σ²/n)：标准经验贝叶斯（PLAN 指定）。-- 未使用 external/、prior/ 数据；未使用任何禁窗内信息。+- 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。diff --git a/solution/README.md b/solution/README.mdindex 46d99f4..622d58b 100644--- a/solution/README.md+++ b/solution/README.md@@ -1,5 +1,7 @@-# per-type EB-shrunk displacement (sparse-only)+# per-type EB displacement + low-rank covariation projection -copy_last 基础上：按 celltype 算最后两个输入阶段的基因均值差，EB 收缩（λ=δ²/(δ²+σ²(1/n1+1/n2))），-乘 α·r（α 默认 1.5，r=外推时间/输入间隔）后只加在输出细胞的已有非零元上（保稀疏结构），max(0,·) 截断。-单输入视图严格退化为 copy_last；`--alpha 0` 为机制关闭对照。详见 METHOD.md。+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。diff --git a/solution/run.py b/solution/run.pyindex 8903ba9..03c8e3d 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,29 +1,33 @@ #!/usr/bin/env python3-"""Per-type damped displacement with gene-level empirical-Bayes shrinkage.--Base: copy_last (output = cells of the latest input stage, subsampled).-Mechanism: for every cell type present in the two latest input stages, compute-the per-gene pseudobulk mean shift delta_g = mean(stage2|c) - mean(stage1|c) in-log space, shrink it with gene-level EB weights-    lambda_g = delta_g^2 / (delta_g^2 + sigma_g^2 (1/n1 + 1/n2)),-and move each output cell by  x_new = max(0, x + alpha * r * lambda * delta),-where r = (t_target - t_last) / (t_last - t_prev) rescales the observed step to-the extrapolation horizon (relative times only -> view independent).--Types present only in stage2 are matched to stage1 parents via a static-label-vocabulary map (general lineage knowledge, see METHOD.md); unmatched-types fall back to the global (all-cell) pseudobulk delta.-With a single input stage the program reduces exactly to copy_last.---alpha 0 disables the mechanism entirely (control, == copy_last).+"""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. """  from __future__ import annotations  import argparse import os+import sys  import numpy as np from scipy import sparse+from scipy.sparse.linalg import svds  from src.task1_temporal.view_io import (     inputs_by_time,@@ -64,6 +68,33 @@ def group_means(X: sparse.csr_matrix, labels: np.ndarray, groups: dict[str, np.n     return out  +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)."""+    X = sparse.vstack([Xa.tocsr(), Xb.tocsr()], format="csr")+    n = X.shape[0]+    if n_cells < n:+        sel = rng.choice(n, size=n_cells, replace=False)+        sel.sort()+        X = X[sel]+    # per-gene variance over the pooled sample (sparse-friendly)+    m1 = np.asarray(X.mean(axis=0), dtype=np.float64).ravel()+    m2 = np.asarray(X.multiply(X).mean(axis=0), dtype=np.float64).ravel()+    var = np.maximum(m2 - m1 * m1, 0.0)+    g = int(min(n_hvg, X.shape[1]))+    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)+    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++ def main() -> None:     parser = argparse.ArgumentParser()     parser.add_argument("--data", required=True)@@ -71,6 +102,16 @@ def main() -> None:     parser.add_argument("--seed", type=int, default=0)     parser.add_argument("--alpha", type=float,                         default=float(os.environ.get("VEC_ALPHA", "1.5")))+    parser.add_argument("--proj-k", type=int,+                        default=int(os.environ.get("VEC_PROJ_K", "25")))+    parser.add_argument("--proj-beta", type=float,+                        default=float(os.environ.get("VEC_PROJ_BETA", "1.0")))+    parser.add_argument("--proj-hvg", type=int,+                        default=int(os.environ.get("VEC_PROJ_HVG", "8000")))+    parser.add_argument("--proj-cells", type=int,+                        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("--no-time-scale", action="store_true",                         default=os.environ.get("VEC_NO_TIME_SCALE", "") == "1")     args = parser.parse_args()@@ -83,6 +124,8 @@ def main() -> None:     last = read_stage(args.data, entries[-1], genes)     rows = sample_rows(last.n_obs, target_n_cells(manifest, last.n_obs), rng) +    use_proj = args.proj_k > 0 and args.proj_beta != 0.0+     if len(entries) >= 2 and args.alpha != 0.0:         prev = read_stage(args.data, entries[-2], genes)         lab1 = labels_of(prev)@@ -130,12 +173,33 @@ def main() -> None:                 r = float(np.clip((t_tgt - t_last) / (t_last - t_prev), 0.0, CAP_R))         scale = args.alpha * r -        # shift only the sampled output cells, at existing nonzeros only-        # (preserves the sparse zero structure -> covariation intact)+        # 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+        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)++        beta = float(args.proj_beta)+        diag = []         Xs = last.X[rows].tocsr()         labs = lab2[rows]         for t in np.unique(labs):-            d = (scale * delta_for(str(t))).astype(np.float32)+            d = scale * delta_for(str(t))+            if use_proj:+                dv = d[hvg]+                tilde = V @ (V.T @ dv)+                nd, nt = float(np.linalg.norm(dv)), float(np.linalg.norm(tilde))+                if args.proj_norm and nt > 0:+                    tilde *= nd / nt+                corr = float(np.corrcoef(dv, tilde)[0, 1]) if nd > 0 and nt > 0 else 0.0+                diag.append((str(t), int((labs == t).sum()), nt / max(nd, 1e-12), corr))+                df = (1.0 - beta) * d+                df[hvg] += beta * tilde+                d = df+            d = d.astype(np.float32)             tmask = np.flatnonzero(labs == t)             for i in tmask:                 lo, hi = Xs.indptr[i], Xs.indptr[i + 1]@@ -143,6 +207,10 @@ def main() -> None:                     cols = Xs.indices[lo:hi]                     Xs.data[lo:hi] = np.maximum(Xs.data[lo:hi] + d[cols], 0.0)         X = Xs+        if use_proj and diag:+            print("proj diag (type, n_cells, ||proj||/||d||, corr):", file=sys.stderr)+            for row in diag:+                print("  %-16s %4d  %.3f  %.3f" % row, file=sys.stderr)     else:         X = last.X[rows] 

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

完成。

**做了什么**：按 PLAN 在父节点 4（per-type EB 位移）后插入低秩协变投影——合并两输入阶段 ≤3000 细胞、top-8000 HVG、中心化后 svds 取 k=25 个 PC，每型位移 Δ_final=(1−β)Δ+βV(VᵀΔ)，提交 β=1.0。扫了 16 个 (k,β,hvg,norm) 配置，用满 20 次查分。

**查分结果**（X3 A 半）：提交配置 seed0 53.48 / seed1 54.40（均值 53.94 vs 父 53.36）。covariation 45.3→47.7（两 seed 一致 +2.2，β 单调，机制目标达成），direction +1.1，de_recovery 持平，cell_state −0.9；总分 +0.6 在 2 分噪声内，但分组修复是结构性的。β=0 对照与父节点输出逐元素一致；确定性、单输入退化、vec-check 全通过；运行 7s。

**下一步最值得试**：(1) β=1 时非 HVG 基因位移归零导致 cell_state 小损——试"非 HVG 基因保留 (1−β')Δ、HVG 用投影"的两段式，或 hvg=12000+；(2) 与节点 2/3 的 OT 耦合组合（direction 组分两边都弱，~50）；(3) final 视图 r=1 时重新校准 α。

调研员

程序里的基因被差异化收缩（有的保留全位移、相邻基因被缩到 0），逐基因独立噪声叠加 max(0,·) 截断，破坏了表达矩阵的共变结构（METHOD.md 记录稠密版 covariation 崩到 11.7、稀疏版仍 -3.3@α=1.5）。方向库允许'通路收缩/图平滑只作为 improve 部件'，故本节点保留父节点机制，只修这一个结构问题。",
  "approach": "在父节点 run.py 的 EB 收缩之后、加位移之前插入一步：把每型的收缩位移向量 Δ_c=λ·δ_c 投影到数据自身协变结构张成的低秩子空间，再与原向量混合。步骤：(1) 合并两个输入阶段细胞，随机抽 ≤3000 个细胞、取方差最大的 2000–3000 个 HVG（或全基因面板，视内存而定，float32 3000×18k≈216MB 可接受），用 scipy.sparse.linalg.svds 取前 k 个右奇异向量 V（genes×k），不做逐基因标准化以免噪声基因主导；(2) 对每型 Δ_c 计算投影 Δ̃_c=V@(V.T@Δ_c)；(3) 混合 Δ_final=(1-β)·Δ_c+β·Δ̃_c；(4) 其余完全沿用父节点：α=1.5、时间缩放 r、只作用非零元、max(0,·)、单输入退化 copy_last。参数初值与搜索：k 默认 25，网格 {15,25,40}；β 默认 0.5，网格 {0,0.25,0.5,0.75,1.0}。用 vec-score 先跑 β=0（应复现父节点 ~52.9@A半）与 (k=25,β=0.5) 两点确认管线，再扫网格；前 2 名配置用 seed 1 复验，差距 <2 分视为噪声。查询预算 ≤20 次，SVD 一次性、秒级，总耗时仍在秒量级。若最优配置总分不超父节点（B半 54.45 对应 A半约 52.9），如实报告并保留父节点行为。",
  "expected_groups": ["covariation", "de_recovery"],
  "risks": "(1) 投影过强（k 太小或 β=1）会抹掉 de_recovery/cell_state 依赖的逐基因特异性位移，总分反降——Engineer 必须看四组分逐项变化而非只看总分，若 cell_state 掉 >3 分立即减小 β 或增大 k。(2) 协变方向由 PC 主导，若 δ 本身几乎不在前 k 个 PC 上（投影后范数 <30%），说明位移主要是不协调噪声，此时 β 应取大；反之取小，报告 ||Δ̃||/||Δ|| 作判据。(3) 真实可回收空间只有 ~2.5 分（45.9→48.4），在噪声边缘——需双 seed 确认，单点 +1 不算成功。(4) svds 在未中心化稀疏矩阵上第一主成分可能只是均值方向——若发现 V 的第一列近似常数，跳过它或先减基因均值（密集 1×n_genes，代价小）。",
  "family_id": "other",
  "mechanism": "把每型 EB 收缩后的基因位移向量投影到输入数据自身协变结构（低秩 PC 子空间）张成的方向上，使位移沿共表达程序协调移动而非逐基因独立扰动，β 控制协调化强度。",
  "vs_constant_shift": "常数位移对每型所有基因加同一标量、不利用任何基因间结构；本方案位移仍是型×基因特异的（继承 δ_c 与 EB 权重），且投影方向完全由输入两阶段的基因共变数据驱动，随视图数据变化，不含任何固定统计量或禁窗信息。",
  "mechanism_evidence": "Engineer 应报告：(1) 每型 ||Δ̃_c||/||Δ_c|| 与逐基因 corr(Δ_c, Δ̃_c)，应介于 0 和 1 之间且跨型有差异（非全 0/全 1），证明投影真实改变了位移方向；(2) 四组分随 (k,β) 的矩阵——预期 covariation 随 β 单调或单峰回升、cell_state/de_recovery 基本持平；(3) 输出 nnz 比例仍 ≈6.05%、mmd_u 仍低于对照，确认稀疏性与细胞移动未被破坏；(4) β=0 时逐元素等于父节点输出。",
  "mechanism_off_control": "同一程序加 --proj-beta 0（或 --proj-k 0）：混合系数 β=0 时 Δ_final≡Δ_c，投影步骤被旁路，输出应与父节点 4（α=1.5）逐元素一致、分数在 0.1 容差内（A半 ~52.9）。预期打开机制后（β>0）：covariation 上升 ≥1.5 分而 cell_state 损失 <2 分；若关闭与打开输出完全相同，说明投影未运行，需检查 V 是否退化。",
  "sources": []
}
```