总览 · ← 返回运行 20261003-004922-search-t2-embryo-interp-g24-D

节点 n13

节点9的blend+方差复原改为数学等价的纯位移（X+β·(mean_next−mean_anchor)），并实现按型自适应β=β_max·clamp(n_next/n_ref,0.15,1)；网格实测自适应无增益，提交全局β=0.03（proxy A半54.49，复现父节点最优）。

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 254b530697: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 702b0b2c5a。改动的文件：solution/METHOD.md +20 −28、solution/run.py +60 −30

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 2093068..813d58d 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,39 +1,31 @@-节点6坐标阻尼缩放之上，把每个细胞的表达向同型在括号下一阶段的均值做小权重(β=0.03)线性插值，再按型逐基因复原到anchor的标准差；组成、坐标、细胞数不动，专攻expression_change。+节点9的blend+方差复原改为数学等价的纯位移（X+β·(mean_next−mean_anchor)），并实现按型自适应β=β_max·clamp(n_next/n_ref,0.15,1)；网格实测自适应无增益，提交全局β=0.03（proxy A半54.49，复现父节点最优）。 -# 节点 9（improve，父=6）— T2EI-01 型内表达向下一阶段均值插值 + 方差复原+# 节点 13（improve，父=9）— T2EI-01 按型自适应β纯位移（实测退化为全局β） +## 方法（family T2EI-01，机制已实现，对照已跑） -## 方法（family T2EI-01，实现完整）+1. **继承节点6/9结构**：copy_last 分层抽样到 [min,max]；坐标阻尼缩放 s=exp(damp·t·Δlog RMS)，damp=0.5；无 bracket 时全部跳过 = copy_last。+2. **表达纯位移**（替换父节点的 blend+方差复原，二者数学恒等：blend 后按型 sd 复原到 anchor sd ≡ X + β·Δmean，已用分数验证）：X_new = clip(X + β_c·(mean_next[c] − mean_anchor[c]), 0)。纯平移完全保留型内分布形状。+3. **按型自适应β（PLAN 机制）**：β_c = β_max·clamp(n_next[c]/n_ref, 0.15, 1.0)，n_next[c] 为该型在括号下一阶段的细胞数，现场从 view 计算。开关：`--beta-max 0`（或 env T2EI01_BETA_MAX=0）关闭表达机制；n_ref≤min n_next 时退化为全局β。+4. 提交配置：β_max=0.03、n_ref=1（全局β）、shrink=0、lam_coord=0、damp=0.5。 -1. **继承节点 6**：copy_last 分层抽样到 max_cells；坐标各向同性缩放 s = exp(coord_damp·t·(log rms_next − log rms_anchor))，coord_damp=0.5，t 与两端 RMS 由 `interp_bracket` 现场计算；无括号（外推/单输入）时表达与坐标两个机制都自动跳过，退化为 copy_last。-2. **T2EI-01 表达插值（提交配置 β=0.03，mode=vr）**：对 anchor 每个细胞（型 c），X_new = (1−β)·X + β·mean_next[c]，mean_next[c] 是括号下一阶段（目标之后的最近输入）中同型细胞的平均 log1p 表达；下一阶段该型细胞 <5 则跳过。-3. **方差复原（vr，本节点关键结构修复）**：纯 blend 会把型内分布向均值收缩，网格显示 cell_state 的损失主要来自收缩而非均值移动（blend β=0.05 → cell_state 43.25；同 β 加方差复原 → 45.62）。故 blend 后按型逐基因把 sd 线性拉回 anchor 的 sd：X = μ_new + (X−μ_new)·sd_anchor/sd_new，再 clip≥0。-4. 组成、标签、细胞数、坐标相对几何与节点 6 完全一致。+## 机制生效证据与对照（proxy A半，seed 0，共12次查分） -## 机制生效证据（proxy A 半，seed 0）--- 机制关闭对照（β=0，同一 run.py）：52.80，四组分 48.68/49.22/64.05/49.23，与节点 6（52.57，rank3 52.85）一致 → 增益全部来自表达插值。-- 提交配置 β=0.03+vr：**54.49**（+1.69 vs 对照）。四组分变化：expression_change 48.68→54.48（de_score −0.071→+0.107，de_direction −0.026→+0.184，方向与幅度都指向真实的 anchor→next 阶段差）；cell_state 49.22→48.26（−0.96，满足 PLAN "降幅<1分" 条款）；shape_scale 64.05→65.05（不动，坐标未改）；local_spatial 49.23→50.18。-- 实际改变的细胞：所有在下一阶段有 ≥5 个同型细胞的类型（proxy 上 10 个共有型全部命中）；每型位移向量 = β·(mean_next[c]−mean_anchor[c])，余弦与型级伪批量差恒为 1（按构造）。--## β / 模式网格（全部 damp=0.5，seed 0，proxy）--| 配置 | 榜分 | expr | state | spatial |-|---|---:|---:|---:|---:|-| β=0（对照=节点6） | 52.80 | 48.68 | 49.22 | 49.23 |-| blend β=0.02 / 0.03 / 0.05 / 0.07 / 0.10 | 54.02 / **54.09** / 53.53 / 53.23 / 52.60 | 53.4–58.0 | 48.6→36.8 | ~50 |-| vr β=0.02 / **0.03** / 0.05 / 0.10 / 0.20 | 54.34 / **54.49** / 54.11 / 53.57 / 52.80 | 53.0–56.6 | 49.6–35.9 | ~50–52 |-| shift（不复原；≡vr，因平移不改sd）β=0.2 / 0.4 | 52.80 / 51.31 | 56.6 / 57.2 | 35.9 / 30.6 | 53.6 / 52.4 |-| 仅top-DE基因 blend（K=100,β=0.2；K=150,β=0.15） | 51.90 / 52.22 | 57.5 / 58.1 | 33.6 / 34.6 | 51.5 / 51.2 |--结论：净最优在 vr β=0.03（54.49，比父 +1.92，超过 T2 约 1 分噪声）；β 更大时 expression 继续涨但 cell_state 掉得更快；只动 top-DE 基因反而最差（大位移集中在少数基因上最伤分布匹配）。+- **机制关闭对照**（β_max=0，同一 run.py）：52.80，四组分 48.68/49.22/64.05/49.23，与节点6（52.57/rank3 52.85）一致 → 表达位移机制在运行且贡献全部增益。+- **提交配置**：54.4937（expr 54.48 / state 48.26 / shape 65.05 / spatial 50.18），与父节点9（54.49）逐位等价（输出文件与父公式 bit-identical 已验证）。+- **自适应 vs 全局**：诊断打印显示 proxy 上 11 个共有型 n_next ∈ [112, 5528]（Allantois 1815、Caudal Epiblast 112、EXE-Endoderm 5528、ExEM-1 2291、ExEM-2 2422、HEM-Endoth 2485、LPM 297、Primitive Streak 284、SOM 228、Unknown 594、pSE 381），全部 >50，PLAN 风险条款命中。实测（β_max, n_ref → 分）：(0.05,30→全局0.05) 54.11；(0.07,300) 53.80；(0.07,1000) 53.87；(0.10,1000) 53.54；(0.05,1000) 54.13；全局0.04 54.28；全局0.035 54.39；**全局0.03 54.49**。自适应与同均值全局β差异 <1 分（噪声内），且无一超过全局0.03 → **按 n_next 缩放β的自适应性在本 bracket 上未确认有效**，估计可靠性不是当前瓶颈（最小 n_next=112 的均值估计已足够稳）。按 PLAN 风险条款退化为纯位移+全局β，且实测 0.03 优于条款建议的 0.04。+- 附加试验（均无净增益，默认关闭）：逐基因 James-Stein 可靠性收缩 δ·δ²/(δ²+se²)（β=0.05: 54.12 ≈ 无收缩 54.11）；按型质心坐标插值 lam·((1−t)ma+t·mb−ma)（lam=1: shape +2.9 但 local_spatial −4.3，净 54.15；lam=0.5: 54.49，净零）——坐标帧已验证两阶段同以原点为质心，质心位移方向合理，但形状增益被邻域损失精确抵消。  ## 知识来源 -- 使用的全部是 view 内输入阶段的现场测量（下一阶段同型均值、括号 RMS、t），无任何硬编码阶段统计量；未使用保留阶段/基因型信息。-- "插值目标的表达应介于括号两端之间、型内方差应保持"是通用统计常识，非禁窗测量。+全部统计量（mean_next、n_next、bracket RMS、t、质心）现场从 view 输入阶段计算，无硬编码；仅用通用统计常识（均差的样本量可靠性、平移保分布形状）；未用保留阶段/基因型信息。  ## 验证过 / 没验证 -- 验证：seed 0 双跑逐位一致；seed 1 输出不同（随机性只在抽样）；vec-check 通过；run.py 产物与网格中 vr03 文件逐位一致并已查分 54.49；运行 ~3s / <1GB；β=0 对照复现节点 6。-- 未验证：final 真实括号（E7.25→E8.0，t=1/3，11 个共有型）上 β=0.03 的最优性——β 网格只在本代理括号（E6.75→E8.0，t=0.4，10 型）上做过；β 与 t 无关（未按 t 缩放），若 final 上阶段差更大，同一 β 的位移更大，风险偏向 cell_state，但 vr 复原方差应缓冲。伪装视图未实测重跑（程序只用数据、时间差与 seed，无视图分支、无绝对时间判断）。+- 验证：seed 0 双跑逐位一致、seed 1 不同；vec-check 通过；默认参数输出 = 已查分 54.4937 的文件（逐位一致）；β=0 对照 = 节点6；运行 ~2s / <1GB；无 bracket 时退化为 copy_last（代码路径检查，本 proxy 无法实测外推）。+- 没验证：final 真实 bracket（E7.25→E8.0，t=1/3）上 β=0.03 的最优性——β 未按 t 缩放，阶段差变化时位移同比变化；伪装视图未实测（程序只用数据、时间差与 seed，无视图/绝对时间分支）。NaN 风险：shrink>0 路径在全零基因上有 0/0 警告（默认关闭，提交配置不经过该分支）。++## 下一步建议++- cell_state 是最弱组（48.26）且随β单调降：试"表达位移 + 组成微调"联合（节点2 mix 系 state 37.5 太重，用 <10% 的下一阶段细胞小比例替换起步）。+- 质心坐标插值的 shape 增益（+2.9）真实存在，若能把 local_spatial 损失压回（例如只对大 n 型平移、或平移后按目标 occupancy 重采样），有 +0.7 榜分空间。diff --git a/solution/run.py b/solution/run.pyindex 20f96d6..7532e84 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,20 +1,22 @@ #!/usr/bin/env python3 """copy_last + bracket-damped isotropic coordinate rescaling (node 6)-plus within-celltype expression interpolation toward the next bracket stage-with per-type variance restoration (family T2EI-01).--Expression (T2EI-01): for every anchor cell of type c,-  X_new = (1 - beta) * X + beta * mean_next[c],-where mean_next[c] is the mean log1p expression of type-c cells in the next-bracket stage (the input stage after the target). Because the plain blend-shrinks within-type spread (and that shrinkage, not the mean move, was what-cost cell_state in the grid), each type's per-gene sd is restored to its-anchor value after blending:-  X_new = mu_new + (X_new - mu_new) * sd_anchor / sd_new.-Types with fewer than MIN_NEXT_TYPE_CELLS cells in the next stage are skipped-(expression kept). Composition, labels, cell count and coordinates are-untouched by this step. beta = 0 disables it (mechanism-off control: the-program then reproduces node 6 exactly).+plus per-type adaptive-beta distribution-preserving expression shift+toward the next bracket stage (family T2EI-01, node 13).++Expression (T2EI-01 adaptive): for every anchor cell of type c,+  X_new = X + beta_c * (mean_next[c] - mean_anchor[c]),   clip >= 0,+  beta_c = beta_max * clamp(n_next[c] / n_ref, 0.15, 1.0),+where mean_next[c] / n_next[c] are the mean log1p expression and cell count+of type-c cells in the next bracket stage (the input stage after the target),+and mean_anchor[c] is the type-c mean over the sampled anchor cells. This is+a pure translation: within-type distribution shape (all higher moments) is+exactly preserved, so it avoids the shrinkage that cost cell_state for plain+blends. Types with fewer than MIN_NEXT_TYPE_CELLS cells in the next stage are+skipped (expression kept). Composition, labels, cell count and coordinates+are untouched by this step. beta_max = 0 disables it (mechanism-off control:+the program then reproduces node 6 exactly). Note beta_max>0 with n_ref <=+min n_next[c] makes beta_c constant (= global beta, mathematically identical+to node 9's blend+variance-restoration).  Coordinates (inherited from node 6): the anchor cloud is scaled isotropically to the damped log-linear RMS of the interpolation bracket,@@ -40,19 +42,25 @@ from src.task2_spatial.view_io import (     write_t2, ) -BETA_DEFAULT = float(os.environ.get("T2EI01_BETA", "0.03"))+BETA_MAX_DEFAULT = float(os.environ.get("T2EI01_BETA_MAX", "0.03"))+NREF_DEFAULT = float(os.environ.get("T2EI01_NREF", "1"))+SHRINK_DEFAULT = float(os.environ.get("T2EI01_SHRINK", "0")) COORD_DAMP_DEFAULT = float(os.environ.get("T2EI09_COORD_DAMP", "0.5")) MIN_NEXT_TYPE_CELLS = 5+BETA_FLOOR = 0.15  -def type_mean_interpolate(+def type_adaptive_shift(     X: np.ndarray,     labels: np.ndarray,     nxt_X,     nxt_labels: np.ndarray,-    beta: float,+    beta_max: float,+    n_ref: float,+    shrink: float,+    diag: list | None = None, ) -> np.ndarray:-    if beta == 0.0:+    if beta_max == 0.0:         return X     out = X.astype(np.float64)     for t in np.unique(labels):@@ -60,15 +68,19 @@ def type_mean_interpolate(         idx_a = np.flatnonzero(labels == t)         if idx_b.size < MIN_NEXT_TYPE_CELLS or idx_a.size == 0:             continue+        beta_c = beta_max * float(np.clip(idx_b.size / max(n_ref, 1e-9), BETA_FLOOR, 1.0))         mean_next = np.asarray(nxt_X[idx_b].mean(axis=0), dtype=np.float64).ravel()         orig = out[idx_a]-        new = (1.0 - beta) * orig + beta * mean_next[None, :]-        mu = new.mean(axis=0)-        sd0 = orig.std(axis=0)-        sd1 = new.std(axis=0)-        f = np.divide(sd0, np.maximum(sd1, 1e-12))-        new = mu + (new - mu) * f-        out[idx_a] = np.clip(new, 0.0, None)+        mean_anchor = orig.mean(axis=0)+        delta = mean_next - mean_anchor+        if shrink > 0.0:+            var_next = np.asarray(nxt_X[idx_b].var(axis=0), dtype=np.float64).ravel()+            var_anchor = orig.var(axis=0)+            se2 = var_next / idx_b.size + var_anchor / idx_a.size+            delta = delta * (delta**2) / (delta**2 + shrink * se2)+        if diag is not None:+            diag.append((str(t), int(idx_b.size), beta_c, float(np.linalg.norm(delta))))+        out[idx_a] = np.clip(orig + beta_c * delta[None, :], 0.0, None)     return out.astype(np.float32)  @@ -81,7 +93,10 @@ def main() -> None:     parser.add_argument("--data", required=True)     parser.add_argument("--out", required=True)     parser.add_argument("--seed", type=int, default=0)-    parser.add_argument("--beta", type=float, default=BETA_DEFAULT)+    parser.add_argument("--beta-max", type=float, default=BETA_MAX_DEFAULT)+    parser.add_argument("--n-ref", type=float, default=NREF_DEFAULT)+    parser.add_argument("--shrink", type=float, default=SHRINK_DEFAULT)+    parser.add_argument("--lam-coord", type=float, default=float(os.environ.get("T2EI01_LAM_COORD", "0")))     parser.add_argument("--coord-damp", type=float, default=COORD_DAMP_DEFAULT)     args = parser.parse_args() @@ -101,12 +116,16 @@ def main() -> None:      a_entry, b_entry, t = interp_bracket(manifest)     nxt = None-    if b_entry is not None and (args.beta != 0.0 or args.coord_damp != 0.0):+    if b_entry is not None and (args.beta_max != 0.0 or args.coord_damp != 0.0):         nxt = read_stage(args.data, b_entry, genes) -    if nxt is not None and args.beta != 0.0:+    if nxt is not None and args.beta_max != 0.0:         nxt_X = np.asarray(nxt.X.todense(), dtype=np.float32)-        X = type_mean_interpolate(X, labels, nxt_X, nxt.labels, args.beta)+        diag: list = []+        X = type_adaptive_shift(X, labels, nxt_X, nxt.labels, args.beta_max, args.n_ref, args.shrink, diag)+        if os.environ.get("T2EI01_DIAG"):+            for name, n_next, beta_c, dnorm in diag:+                print(f"[diag] {name}: n_next={n_next} beta={beta_c:.4f} |delta|={dnorm:.3f}")         del nxt_X      if nxt is not None and args.coord_damp != 0.0 and t is not None:@@ -114,6 +133,17 @@ def main() -> None:         rms_b = max(cloud_rms(nxt.coords), 1e-9)         s = float(np.exp(args.coord_damp * float(t) * (np.log(rms_b) - np.log(rms_a))))         coords = coords * s+        if args.lam_coord != 0.0:+            nxt_coords = np.asarray(nxt.coords, dtype=np.float64)+            for ty in np.unique(labels):+                idx_b = np.flatnonzero(nxt.labels == ty)+                idx_a = np.flatnonzero(labels == ty)+                if idx_b.size < MIN_NEXT_TYPE_CELLS or idx_a.size == 0:+                    continue+                ma = coords[idx_a].mean(axis=0)+                mb = nxt_coords[idx_b].mean(axis=0)+                tgt = (1.0 - float(t)) * ma + float(t) * mb+                coords[idx_a] += args.lam_coord * (tgt - ma)      write_t2(args.out, X, coords, genes, seed=args.seed) 

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。总结：

**做了什么**：在节点9基础上把 blend+方差复原改写为数学等价的纯位移，并实现 PLAN 的按型自适应 β=β_max·clamp(n_next/n_ref,0.15,1)（含 β_max=0 关闭对照）。诊断发现 proxy 上 11 个共有型 n_next 全部 >100，命中 PLAN 风险条款；网格实测（自适应 4 档 + 全局 5 档，共 12 次查分）自适应与同均值全局 β 差异 <1 分且无一超过全局 β=0.03。另试了逐基因 James-Stein 收缩（无增益）和按型质心坐标插值（shape +2.9 被 local_spatial −4.3 抵消）。最终提交全局 β=0.03 纯位移。

**查分结果**：对照 β=0 → 52.80（=节点6 ✓）；提交配置 → **54.4937**（A半），与父节点9（54.49）逐位等价，输出确定性、vec-check 均通过。B半预期 ≈54.3，与父持平。

**下一步最值得试**：(1) 小比例（<10%）下一阶段细胞替换以攻最弱的 cell_state（48.26）；(2) 质心坐标插值只对大 n_next 型启用或配合 occupancy 重采样，保留 shape +2.9 增益、压回邻域损失。

调研员

```json
{
  "name": "按型自适应β表达位移：依据下一阶段型样本量缩放插值强度",
  "motivation": "节点9（54.33）用全局β=0.03，expression_change 53.49是主要增益，但cell_state 49.11仍是最弱组。网格显示β从0.03→0.05时，expression_change继续涨但cell_state从49.6降到~45（vr行），说明全局β对下一阶段样本量少的型过于激进：这些型的mean_next估计噪声大，插值方向随机，损伤分布匹配却不贡献真实表达变化。10个共有型在下一阶段的细胞数差异可达数倍，统一β不合理。",
  "approach": "1. 继承节点9全部代码（坐标阻尼damp=0.5、抽样、bracket逻辑）。2. 将type_mean_interpolate中的全局β替换为按型自适应β[c]=β_max·clamp(n_next[c]/n_ref, 0.15, 1.0)，其中n_next[c]是下一阶段型c的细胞数，n_ref是参考阈值（搜索{20,30,50}），β_max搜索{0.03,0.05,0.07,0.10}。3. 将blend+线性方差复原替换为纯位移（distribution-preserving shift）：X_new[i,g]=X[i,g]+β[c]·(mean_next[c,g]−mean_anchor[c,g])，clip≥0。纯位移不改变型内分布形状（所有高阶矩保留），比blend+vr在大β下更安全。4. 先以β_max=0.05, n_ref=30跑一次vec-score；若cell_state≥49，再扩网格。5. 单输入阶段/无bracket时β位移与坐标阻尼均跳过，退化为copy_last。6. 全部网格≤8次查分，每次~3s，远在30分钟和20次限制内。",
  "expected_groups": ["expression_change", "cell_state"],
  "risks": "若所有共有型在下一阶段细胞数都>50，自适应β退化为全局β，无增益——Engineer应先打印n_next[c]分布，若方差极小则放弃自适应、改用纯位移+全局β=0.04。纯位移与blend+vr在β≤0.03时数值几乎相同，增益可能<1分噪声；此时需3次查分确认。若β_max=0.10时cell_state仍降>1分，回退到β_max=0.05。",
  "family_id": "T2EI-01",
  "mechanism": "按型自适应β的分布保持位移：每型β与该型在下一阶段的样本量成正比，位移方向为该型下一阶段均值与锚定均值之差，分布形状完全保留（纯平移）。",
  "vs_constant_shift": "全局常数位移对所有基因/所有型用同一β，不考虑估计可靠性；本方案按型缩放β（样本量小的型β小，避免向噪声均值位移），且位移量逐基因由实际型均值差决定，不是统一常数。与节点9的blend+vr相比，纯位移不引入分布收缩再复原的近似误差。",
  "mechanism_evidence": "Engineer应输出：(1)每型的n_next、β[c]、位移向量L2范数；(2)β=0对照分数应与节点6（52.80）一致；(3)四组分变化：expression_change应升、cell_state应≥49（若自适应有效）；(4)对比全局β=0.03+纯位移 vs 自适应β+纯位移，差异>1分才确认自适应生效。",
  "mechanism_off_control": "设β_max=0（环境变量T2EI01_BETA_MAX=0），所有型β=0，表达不变，程序退化为节点6（坐标阻尼仍保留）；预期分数≈52.8，与提交配置差>1分说明表达位移机制在运行。",
  "sources": []
}
```