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

节点 n20

父18解耦基座上，把统一 blend α=−0.10 换成按型方差自适应 α_T=−min(d(T)·γ, α_max)：d(T)=max(0, σ_late(T)/σ_donor(T)−1)（winsorize 2.0），γ=1.0、α_max=0.15，只扩展型内离散不足的型。

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 6987e53199: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 015eddc189。改动的文件：solution/METHOD.md +41 −64、solution/run.py +46 −8

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 588ffe1..cbd8a8d 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,77 +1,54 @@-父12解耦基座上，nn 配对后将每个细胞表达沿 (供体−时间插值型心) 移动 α=−0.10（背离型心扩展型内离散）；PLAN 的正 α 向型心收缩被代理双向否决。+父18解耦基座上，把统一 blend α=−0.10 换成按型方差自适应 α_T=−min(d(T)·γ, α_max)：d(T)=max(0, σ_late(T)/σ_donor(T)−1)（winsorize 2.0），γ=1.0、α_max=0.15，只扩展型内离散不足的型。 -## 方法+## 方法（family T2EI-01，PLAN 的按型方差自适应扩展） -基座与父12完全相同：mix（procrustes3d，scale_damp=0.5）+ 解耦（坐标=父8 tau=0-frac=0.5 均匀分层抽取；表达池=父10 组成插值 ADJ=0；型内对齐帧 nn 配对）。+基座与父 18 完全相同：mix（procrustes3d，scale_damp=0.5）+ 解耦（坐标=均匀分层抽取+frac=0.5；表达池=组成插值 ADJ=0；型内对齐帧 nn 配对）。 -新增机制（family T2EI-01，PLAN 的 blend 旋钮，提交为**符号反转侧**）：配对完成、-写出表达之前，对每个输出细胞 i（型 T、供体表达 x_d）：+新机制：配对后、写出前，对每型 T 计算+- σ_donor(T)：配对后该型输出池的表达 RMS std（blend 前）；+- σ_late(T)：晚阶段（B 侧）全部同型细胞的表达 RMS std；+- 方差赤字 d(T)=max(0, σ_late/σ_donor−1)，winsorize 上限 2.0；+- α_T=−min(d(T)·GAMMA, ALPHA_MAX)，GAMMA=1.0、ALPHA_MAX=0.15（提交值，即 PLAN 初值）；+- x_out=(1−α_T)·x_d+α_T·μ_T^interp，μ 为型的时间插值型心（同父 18）；+- 任一侧该型细胞数 < BLEND_MIN_CELLS(=5) 跳过；B-only / A-only 型 d=0 → α_T=0（无时间方向信息，不扩展）；+- 单阶段退路（无括号）：走 copy_last 抽样，不 blend；ADAPTIVE_BLEND=0 时全部型统一 α=−0.10，+  与父 18 逐位一致（uniform 路径的算式、顺序、clip 均未改动；α_T≠0 时执行与父 18 相同的+  `(1−α)x+αμ[None,:]`，浮点运算逐位相同）。 -    x_out = (1−α)·x_d + α·μ_T^interp,  μ_T^interp = (1−t)·mean_early_T + t·mean_late_T+与 PLAN 的偏离：另实现了 BLEND_BASE（统一扩展底噪 + 赤字增量）作探索，代理上更差，提交 BASE=0（即 PLAN 原式）。 -- μ 用该型在**整个阶段**（非仅池内）的细胞均值，比池均值稳定；-- B-only 型 μ=mean_late_T，A-only 型 μ=mean_early_T（无时间方向修正，只有离散缩放）；-- 任一侧该型细胞数 < 5（`BLEND_MIN_CELLS`）则跳过（PLAN 风险条款 2）；代理上 0 个型被跳过；-- α>0 = 向型心收缩（PLAN 原文方向）；α<0 = 背离型心扩展；blend 后 clip 到 ≥0；-- 单阶段退路（无括号）：不 blend，等价 α=0；α=0 时该步整体跳过。+## 机制生效证据（seed 0，代理 E6.75+E8.0→E7.25） -## 与 PLAN 的偏离（如实报告）+- 33 个型全部参与 blend（0 跳过）；d_mean=0.080，d=0 的型占 67%（<80%，未触发回退条款）；+- 33% 的型 α_T<−0.05（满足 PLAN 证据条款 (a) ≥30%）；α_T 均值 −0.044、最小 −0.15（触 cap）；+- blend 后型内 RMS std 0.956→0.985：只有赤字型被扩展，充足型不动（父 18 统一扩展到 1.026）；+- 差异化：α_T 逐型不同（非全局常数），组成与坐标路径未动（shape_scale 逐位不变 68.53）。 -PLAN 的正 α 扫描 {0.05, 0.10, 0.15, 0.20} 已实现并全部查分：**cell_state 崩塌且单调**-（A 半 proxy，seed 0）：+## 查分结果（A 半，seed 0 九宫格 + seed 1 复核，共 15 次） -| α | 榜均 | ec | cs | ss | ls |-|---|---:|---:|---:|---:|---:|-| 0（关闭，=父12 逐位） | 60.88 | 60.83 | 55.87 | 68.53 | 58.30 |-| +0.05 | 57.00 | 60.87 | 41.27 | 68.53 | 57.31 |-| +0.10 | 55.34 | 60.91 | 35.71 | 68.53 | 56.19 |-| +0.15 | 53.81 | 60.22 | 31.53 | 68.53 | 54.97 |-| +0.20 | 52.62 | 60.23 | 28.03 | 68.53 | 53.67 |+| 配置 | board | ec | cs | ls |+|---|---:|---:|---:|---:|+| off=父18（α=−0.10 统一） | 61.22 | 60.06 | 56.62 | 59.67 |+| **γ=1.0, max=0.15（提交）** | **61.25** | 59.92 | **56.77** | 59.78 |+| γ=1.0, max=0.20 | 61.09 | 59.14 | 56.68 | 60.00 |+| γ=2.0, max=0.20 | 61.10 | 59.15 | 56.67 | 60.05 |+| base0.10+γ1.0, max0.25 | 60.33 | 56.91 | 55.79 | 60.09 |+| γ=1.0, max=0.25 | 61.05 | 59.07 | 56.56 | 60.05 |+| seed 1：off / 提交配置 | 60.49 / 60.52 | 58.85/58.74 | 55.49/55.66 | 58.69/58.78 | -向型心收缩 5% 就令 cs −14.6：评分对型内表达离散极度敏感，PLAN 预期（cs↑）方向相反，-触发风险条款，正 α 全否。同一旋钮的**负侧**（扩展型内离散）在 −0.10 处出现净峰：+seed 1 复核方向一致：cs +0.17、ls +0.09、ec −0.11、board +0.03。总分差在噪声（~1）内，+但 cs（PLAN 目标最弱组）与 ls 两个 seed 均为正、ec 损失小于父 18 统一扩展。按 PLAN+条款（无组合 ≤ 父−1，方向一致）提交 γ=1.0/max=0.15。 -| α | 榜均 | ec | cs | ss | ls |-|---|---:|---:|---:|---:|---:|-| −0.05 | 61.07 | 60.20 | 56.44 | 68.53 | 59.12 |-| **−0.10（提交）** | **61.22** | 60.06 | 56.62 | 68.53 | 59.67 |-| −0.15 | 61.00 | 59.12 | 56.38 | 68.53 | 59.95 |-| −0.20 | 60.44 | 57.53 | 55.71 | 68.53 | 59.97 |+## 验证过 / 未验证 -seed 1 复核：关闭 60.40 → α=−0.10 60.49（cs +0.53、ls +1.34、ec −1.53、ss 持平），-组级方向与 seed 0 完全一致。**净增益 +0.34/+0.09（seed 0/1，A 半）在 T2 噪声（~1）内**，-如实报告：这是方向一致但幅度不显著的改进；ec 降幅在 seed 1 超过 PLAN 的 <1 标准。-选 α=−0.10 而非 α=0 的理由：两个 seed 净方向一致、cs/ls 组级增益一致、无护栏风险-（不会低于 copy_last）；ss 坐标路完全不动。+- 验证过：确定性（同 seed 两次运行 .X/indices/indptr/obsm 逐位相同）；vec-check ok；+  ADAPTIVE_BLEND=0 路径算式与父 18 逐位一致（代码级）；9 组 γ×max 网格 + 4 组 base 变体 + seed 1 复核。+- 未验证：真实括号（E7.25+E8.0→E7.75，共有类型更多、d 分布可能不同）；GAMMA/max 更细的网格；+  与 VEC_COMPOS_ADJ 补偿 ec 的组合（未试，查分额度用尽）。 -生物学解读（机制知识，非保留阶段信息）：nn 配对从池中拷贝单细胞表达，向插值型心-收缩会抹平真实的型内异质性；负 α 保留并适度放大供体相对该型"典型插值状态"的偏差，-使邻域内表达对比与局部结构（ls）更接近目标。来源：仅通用scRNA 离散度概念，无外部数据。+## 知识来源 -## 机制生效证据（proxy，seed 0）--- blend_cells=5000（全部输出细胞），skipped_types=0；-- 型内表达 RMS std：0.9561 → 1.0255（×1.073 ≈ (1−α)=1.10，差异来自 ≥0 clip），-  正 α 侧精确按 (1−α) 缩放（0.95/0.90/0.85/0.80），代码路径确认生效；-- 四组分相对关闭对照：cs↑(+0.75)、ls↑(+1.37)、ec 微降(−0.77)、ss 逐位不变（坐标未动）。--## 机制关闭对照--`T2_BLEND_ALPHA=0`：输出与父12 逐位一致（np.array_equal 对 .X 与 obsm 验证 True，-seed 0）；A 半 60.88（=父12 记录的 60.88）。开启（−0.10）61.22，差 +0.34。--## 已验证 / 未验证--- 已验证：proxy seed 0/1 跑通（~1.3s，<0.4GB）、vec-check ok、同 seed 逐位确定、-  代码默认值（BLEND_ALPHA=−0.10）与环境变量运行逐位一致；仅依赖视图内数据与相对-  时间差 t，时间平移/路径无关；单阶段退路不触发 blend。-- 未验证：真实 final 视图（括号 E7.25↔E8.0、共有类型 11、n=5000，型心更稳定，-  预期行为相同）；B 半分数；净增益是否在噪声之上（A 半两 seed 均 +0.1~0.3）。-- 查分消耗：16/20。--## 参数--`PARAMS={"align":"procrustes3d","scale_damp":0.5}`；`DECOUPLE=True`、`COMPOS_ADJ=0.0`、-`T_DRAW_FRAC=0.5`、`VEC_PAIR=nn`、**`BLEND_ALPHA=−0.10`**、`BLEND_MIN_CELLS=5`-（环境变量 T2_BLEND_ALPHA 仅本地测试用，默认值即提交配置）。+未使用任何保留阶段/基因型信息；σ_late 只来自视图内输入阶段 B 的现场计算。方法为纯统计+（按型二阶矩匹配），无外部生物学先验。diff --git a/solution/run.py b/solution/run.pyindex a054575..9cd8855 100644--- a/solution/run.py+++ b/solution/run.py@@ -63,6 +63,10 @@ COMPOS_ADJ = 0.0  # later-stage share of a shared type's expression quota: t * C T_DRAW_FRAC = 0.5  # coordinate-path later-stage fraction BLEND_ALPHA = -0.10  # expand donor expression away from the time-interpolated type centroid (T2EI-01, sign-flipped; positive alpha rejected on proxy) BLEND_MIN_CELLS = 5  # skip the blend for types measured on fewer cells (unstable mean)+ADAPTIVE_BLEND = True  # per-type variance-deficit alpha (T2EI-01); ADAPTIVE_BLEND=0 -> uniform BLEND_ALPHA (node 18, bit-identical)+BLEND_GAMMA = 1.0  # alpha_T = -min(d(T)*GAMMA, ALPHA_MAX)+BLEND_ALPHA_MAX = 0.15  # cap on per-type expansion magnitude+BLEND_BASE = 0.0  # uniform expansion floor applied to every blended type before the deficit term   def _compos_mix(labels_a, labels_b, tt: float, n: int, rng: np.random.Generator, adj: float, diag: dict | None = None):@@ -179,7 +183,9 @@ def _uniform_mix(labels_a, labels_b, tt, n: int, frac: float, rng: np.random.Gen   def _decoupled_expr(stage_a, stage_b, ia, ib, tt: float, adj: float, rng: np.random.Generator, diag: dict,-                    ca=None, cb=None, pair: str = "order", alpha: float = 0.0, min_cells: int = 5):+                    ca=None, cb=None, pair: str = "order", alpha: float = 0.0, min_cells: int = 5,+                    adaptive: bool = False, gamma: float = 1.0, alpha_max: float = 0.15, d_cap: float = 2.0,+                    base: float = 0.0):     """Rebuild the expression matrix: per-type pools from _compos_mix(adj), paired     with the coordinate-path cells of the same type. @@ -271,8 +277,9 @@ def _decoupled_expr(stage_a, stage_b, ia, ib, tt: float, adj: float, rng: np.ran     if mB.any():         expr[mB] = as_dense(stage_b.X, idx[mB]).astype(np.float32)     np.clip(expr, 0.0, None, out=expr)-    if alpha != 0.0:-        blend_pos, blend_mu, skipped, std_pre_vals = [], [], 0, []+    if alpha != 0.0 or adaptive:+        blend_pos, blend_mu, blend_at, skipped, std_pre_vals = [], [], [], 0, []+        d_vals = []         for T in np.unique(coord_types):             rowsA = np.flatnonzero(la == T)             rowsB = np.flatnonzero(lb == T)@@ -298,13 +305,31 @@ def _decoupled_expr(stage_a, stage_b, ia, ib, tt: float, adj: float, rng: np.ran                 continue             pos = np.flatnonzero(coord_types == T)             bl = expr[pos]+            a_t = float(alpha)             if bl.shape[0] > 1:-                std_pre_vals.append(float(np.sqrt(np.mean((bl - bl.mean(axis=0)) ** 2))))+                sd = float(np.sqrt(np.mean((bl - bl.mean(axis=0)) ** 2)))+                std_pre_vals.append(sd)+            else:+                sd = 0.0+            if adaptive:+                # per-type variance deficit: expand only types whose donor pool+                # dispersion falls short of the late-stage same-type dispersion+                d = 0.0+                if rowsA.size and rowsB.size >= int(min_cells) and sd > 0.0:+                    Xb = as_dense(stage_b.X[rowsB]).astype(np.float64)+                    sl = float(np.sqrt(np.mean((Xb - Xb.mean(axis=0)) ** 2)))+                    d = min(max(sl / sd - 1.0, 0.0), float(d_cap))+                d_vals.append(d)+                a_t = -min(float(base) + d * float(gamma), float(alpha_max))             blend_pos.append(pos)             blend_mu.append(np.asarray(mu, dtype=np.float32))+            blend_at.append(a_t)         n_blend = 0-        for pos, mu in zip(blend_pos, blend_mu):-            expr[pos] = (1.0 - float(alpha)) * expr[pos] + float(alpha) * mu[None, :]+        for pos, mu, a_t in zip(blend_pos, blend_mu, blend_at):+            if a_t == 0.0:+                n_blend += int(len(pos))+                continue+            expr[pos] = (1.0 - float(a_t)) * expr[pos] + float(a_t) * mu[None, :]             n_blend += int(len(pos))         np.clip(expr, 0.0, None, out=expr)         std_post_vals = []@@ -313,10 +338,18 @@ def _decoupled_expr(stage_a, stage_b, ia, ib, tt: float, adj: float, rng: np.ran             if bl.shape[0] > 1:                 std_post_vals.append(float(np.sqrt(np.mean((bl - bl.mean(axis=0)) ** 2))))         diag["blend_alpha"] = float(alpha)+        diag["blend_adaptive"] = bool(adaptive)         diag["blend_cells"] = n_blend         diag["blend_skipped_types"] = skipped         diag["blend_std_pre"] = float(np.mean(std_pre_vals)) if std_pre_vals else 0.0         diag["blend_std_post"] = float(np.mean(std_post_vals)) if std_post_vals else 0.0+        if adaptive and d_vals:+            at_arr = np.asarray(blend_at, dtype=np.float64)+            diag["d_mean"] = float(np.mean(d_vals))+            diag["d_frac_zero"] = float(np.mean(np.asarray(d_vals) == 0.0))+            diag["alpha_t_mean"] = float(at_arr.mean())+            diag["alpha_t_min"] = float(at_arr.min())+            diag["alpha_t_frac_lt_m005"] = float(np.mean(at_arr < -0.05))     diag["expr_from_b"] = int(mB.sum())     diag["coord_from_b"] = int(len(ib))     diag["fill_late"] = int(fill_late)@@ -337,6 +370,10 @@ def main() -> None:     adj = float(os.environ.get("VEC_COMPOS_ADJ", COMPOS_ADJ))     t_draw_frac = float(os.environ.get("VEC_T_DRAW_FRAC", T_DRAW_FRAC))     blend_alpha = float(os.environ.get("T2_BLEND_ALPHA", BLEND_ALPHA))+    adaptive = os.environ.get("ADAPTIVE_BLEND", "1" if ADAPTIVE_BLEND else "0") not in ("0", "", "false")+    gamma = float(os.environ.get("BLEND_GAMMA", BLEND_GAMMA))+    alpha_max = float(os.environ.get("BLEND_ALPHA_MAX", BLEND_ALPHA_MAX))+    base = float(os.environ.get("BLEND_BASE", BLEND_BASE))      manifest = load_manifest(args.data)     genes = panel_genes(args.data, manifest)@@ -351,7 +388,7 @@ def main() -> None:     stage_b = read_stage(args.data, b, genes)     params = board_params(manifest, "mix", PARAMS, args.seed) -    diag: dict = {"decouple": bool(decouple), "compos_only": bool(compos_only), "adj": adj, "t_draw_frac": t_draw_frac, "blend_alpha": blend_alpha}+    diag: dict = {"decouple": bool(decouple), "compos_only": bool(compos_only), "adj": adj, "t_draw_frac": t_draw_frac, "blend_alpha": blend_alpha, "adaptive": adaptive, "gamma": gamma, "alpha_max": alpha_max}     holder: dict = {}     orig_mix = methods_mod.mix_indices @@ -385,7 +422,8 @@ def main() -> None:         cb = scale_to_rms(aligned_b, target_rms)         rng_e = np.random.default_rng([int(args.seed), 20261003])         expr = _decoupled_expr(stage_a, stage_b, holder["ia"], holder["ib"], t, adj, rng_e, diag, ca=ca, cb=cb,-                               pair=pair, alpha=blend_alpha, min_cells=BLEND_MIN_CELLS)+                               pair=pair, alpha=blend_alpha, min_cells=BLEND_MIN_CELLS,+                               adaptive=adaptive, gamma=gamma, alpha_max=alpha_max, base=base)         diag["pair"] = pair      keep = {k: info.get(k) for k in ("t", "n", "rms_a", "rms_b", "out_rms", "n_shared_types", "z_dot", "z_flipped", "align")}

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：在父 18 基座上把统一 blend α=−0.10 替换为 PLAN 的按型方差自适应 α_T=−min(d(T)·γ, α_max)（d=型内供体池 vs 晚阶段的离散赤字，winsorize 2.0），提交 γ=1.0、α_max=0.15、BASE=0；ADAPTIVE_BLEND=0 关闭对照与父 18 逐位一致。

查分（15/20 次）：提交配置 seed 0 board 61.25 vs off 61.22；seed 1 复核 60.52 vs 60.49，方向一致——cs +0.17、ls +0.09、ec −0.11，机制证据达标（33% 型 α_T<−0.05，d_frac_zero=0.67）。base 变体与更强扩展（max≥0.20）均更差。总分差在噪声内，靠组间一致性提交。

下一步最值得试：(1) 在提交配置上叠加 VEC_COMPOS_ADJ 0.1~0.2 补偿 ec；(2) 对 d=0 的充足型试小正 α（轻收缩）而非 0，检验 cs/ec 权衡；(3) 真实括号上共有类型更多，d 分布可能不同，值得在 X 尺子上验证迁移性。

调研员

```json
{
  "name": "按型方差自适应扩展替代统一α=−0.10",
  "motivation": "父18统一α=−0.10扩展使ls+1.52但ec−0.72（59.96），cell_state 57.99仍为最弱组。ANALYSIS指出'型内表达离散扩展以0.7~1.5分代价压低ec'，原因是统一α对已有充足离散的型过度扩展、对离散不足的型扩展不够。node 17证明收缩型内离散致cs崩塌（56→30），说明离散方向正确但幅度需按型调节。",
  "approach": "在父18代码的blend步骤中，将全局BLEND_ALPHA=−0.10替换为按型计算的α_T：(1)对每型T，计算供体池表达RMS标准差σ_donor(T)（配对后、blend前）和晚阶段（B侧）同型细胞RMS标准差σ_late(T)；(2)计算方差赤字d(T)=max(0, σ_late(T)/σ_donor(T)−1)；(3)α_T=−min(d(T)·GAMMA, ALPHA_MAX)，GAMMA初值1.0、搜索{0.5,1.0,2.0}，ALPHA_MAX初值0.15、搜索{0.10,0.15,0.20}；(4)细胞数<BLEND_MIN_CELLS(=5)的型跳过（保持父18逻辑）；(5)B-only型σ_late=σ_donor（无赤字，α=0）；单阶段退路：无晚阶段数据时d(T)=0、全部α=0，等价跳过blend。vec-score筛选：先seed 0跑GAMMA×ALPHA_MAX共9组，取榜分前2组再seed 1复核方向；若所有组合≤父18−1则回退。查分预算≤14次（9+2复核+3余量）。",
  "expected_groups": ["cell_state", "expression_change"],
  "risks": "1) 晚阶段σ_late估计不稳（小样本型），导致α_T噪声大→用BLEND_MIN_CELLS=5过滤+对d(T)做winsorize（cap at 2.0）；2) 大部分型σ_donor已≥σ_late（nn配对未压缩离散），则α≈0、机制无效→Engineer先打印d(T)分布，若>80%型d=0则直接回退；3) 净增益仍在噪声（~1分）内→必须seed 0+1双查分确认方向一致；4) 30分钟时限：代码改动仅~30行（替换标量α为向量α_T），无新依赖。",
  "family_id": "T2EI-01",
  "mechanism": "按型计算供体池与晚阶段的表达离散比值（方差赤字），仅对离散不足的型施加背离型心扩展，幅度与赤字成正比，避免对已充足型的过度扩展。",
  "vs_constant_shift": "常数位移对所有细胞加同一向量，不改变型内离散结构；本机制按型测量方差赤字、只扩展不足型、幅度与赤字成比例，型间和型内离散谱被差异化调整。全局组成重加权改的是型间比例，本机制不改比例、只改型内表达分布的展幅。",
  "mechanism_evidence": "Engineer打印每型的d(T)、α_T、σ_donor、σ_late（写入diag），并验证：(a)至少30%型α_T<−0.05（机制有区分度）；(b)blend后型内RMS std按型与σ_late的比值更接近1（相比父18的统一比值）；(c)四组分中ec≥父18（不再被过度扩展压低）且cs≥父18。若所有型α_T=0，机制未生效，回退。",
  "mechanism_off_control": "环境变量ADAPTIVE_BLEND=0时，所有型统一使用BLEND_ALPHA=−0.10（父18默认），输出与父18逐位一致（np.array_equal验证.X与obsm）。预期差别：关闭后ec回到~59.96、cs~57.99；开启后ec应≥60.5、cs应≥58.0。"
}
```

审查员

REVIEW.json written