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

节点 n17

在父节点 NN 融合底座上实现并实测 PLAN 的型内径向尺度匹配（T2HI-02，λ>0 全档阴性、默认关闭），改为提交分位数门控的逐细胞 NN 表达过冲混合（β=2.2、q=0.7）。

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 09801f63f7: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 4e45f90ea9。改动的文件：solution/METHOD.md +53 −23、solution/nn_fuse.py +60 −13、solution/run.py +13 −3、solution/spread_match.py +104 −0

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 2da5e4e..eb2a89d 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,38 +1,68 @@-# 外部MOSTA E9.5型均值表达再锚定（T2HI-07）：实现NN融合后b细胞→参考同型真实均值的γ重锚（含varfix），标签门诊断失败（严格共有型0、可靠映射仅NCC 1型/覆盖率15%），按PLAN第1步放弃网格，提交γ=0默认（输出与父节点13逐位一致）。+在父节点 NN 融合底座上实现并实测 PLAN 的型内径向尺度匹配（T2HI-02，λ>0 全档阴性、默认关闭），改为提交分位数门控的逐细胞 NN 表达过冲混合（β=2.2、q=0.7）。 -## 方法（PLAN T2HI-07 的实现）+提交版：坐标底座与父节点 15 逐位相同（NN 融合 α=1.0），表达侧对被融合 b 细胞中失配 ≥ q0.7 分位数的部分做 β=2.2 过冲混合；PLAN 指定的 T2HI-02 径向重标已实现并实测，λ>0 全档净分为负，默认 λ=0（关闭）。 -父节点 13 pipeline（mix + 空间分层 + procrustes 对齐 + 型内 NN 坐标融合 α=1.0，EXPR_BLEND_BETA=0）不动。新增 `expr_reanchor.py` 并接入 `nn_fuse.py`/`run.py`：+## 1. PLAN 指定的机制：type_spread_match（新增 `spread_match.py`，family T2HI-02） -1. **参考加载**（`load_reference`）：遍历 `manifest["external"]`，读挂载的外部 h5ad（本视图为 mosta_e95_v0，5913 细胞×496 基因）；表达按契约重算为 log1p(CP10k)（原存储每细胞总量仅 ~250，非 CP10k），按 `genes.txt` 对齐，按参考标签算每基因均值 M_ref。外部细胞本身绝不输出。-2. **重锚**（`apply_reanchor`）：对每个"两 bracket 共有且参考中存在"的型，被 NN 融合的 b 侧输出行做 `X_new=(1−γ)X_b+γ·M_ref(type,gene)`，仅锚定参考覆盖的基因列，逐细胞、型级锚点、不跨型；可选 VARFIX 把子集每基因 std 恢复到重锚前（clip≥0）。-3. **接线**：`EXPR_REANCHOR_GAMMA`（提交默认 0.0=关闭）、`EXPR_REANCHOR_VARFIX`（默认 0）、`REANCHOR_DIAG=1` 打印门诊断。单输入阶段（b is None）退路与父相同；external 为空/缺失时 ref_means={} 优雅跳过。+在 Procrustes 对齐 + 全局 RMS 缩放之后、NN 融合之前，对每个两侧都有 ≥ `SPREAD_MIN_CELLS`(=10) 细胞的共有型： -## 标签门诊断（PLAN 第 1 步 / 风险 1，判定：不达标）+- `d_a` = a 侧该型细胞到本型 a 质心距离的中位数，`d_b` 同理（b 侧）；+- `r = clip(d_tgt/d_b, 0.5, 2)`，`d_tgt = d_a`（`SPREAD_TARGET=a`）或 `exp((1−t)·log d_a + t·log d_b)`（`=interp`，与全局 `log_interp` 同一 t 的几何插值，额外实现的变体）；+- 每个 b 细胞 `x ← c_b + (1−λ+λr)(x−c_b)`，只沿到本型 b 质心的射线重标；a 侧、型质心、型间布局、表达矩阵一律不动。 -参考标签词汇（12 个）：AGM, Brain, Branchial arch, Cavity, Connective tissue, Dermomyotome, Heart, Liver, Mesenchyme, Neural crest, Notochord, Sclerotome。bracket 共有型（5 个）：NCC, Peri, V-CM, aPHM, pPHM。+环境变量：`SPREAD_LAM`（默认 0=关闭）、`SPREAD_MIN_CELLS`、`SPREAD_TARGET`、`SPREAD_DIAG=1`（stderr 打印每型 n_a/n_b/d_a/d_b/d_tgt/r/factor/修正后中位半径/质心位移/平均位移）。单输入阶段（`b is None`）走父节点原有 `read_stage` 退路，本模块不执行；括号、t、共有型全部从 manifest 现场算，无阶段硬编码。 -- **严格同名交集 = 0 型**（<3，门失败）。harness 自己的官方映射表也没能把这些标签映射到官方词汇（保留原名），因为它们是**解剖区域标签**而非细胞类型：'Heart' 区域混含心肌/心内膜/心外膜等，'Branchial arch' 混含外胚层/内皮/间充质，用区域均值当 V-CM 或 aPHM 的型级锚点不满足机制前提（"真实同型均值"），属于编造标签同一性。-- 唯一可靠的通用谱系映射是 **Neural crest → NCC**（NCC=neural crest cells，标准发育生物学命名）。运行时门诊断（stderr json `reanchor_gate`）：anchor_types=["NCC"]，n_anchorable/n_fused = 341/2273 = **15.0% 覆盖率 < 30%**，1 型 < 3 型，两条标准都失败。-- 若强行加 'Heart'→V-CM、'Branchial arch'→aPHM 才能凑到 61% 覆盖率，但这违反门规则的初衷（风险 1），未采用。+与已证伪方向的区别：不是随机弥散（节点 11，各向同性 Uniform 扰动），不是钳幅仿射形状插值（节点 9，质心+协方差对数欧拉），也不是型均值常数位移（节点 6/7，一阶位置）；本机制是**确定性的逐细胞径向重标**，位移 ∝ 细胞到本型质心的距离，只改二阶型内离散度。 -**按 PLAN 第 1 步："若与官方共有型 <3 或覆盖率 <30%，直接放弃本方向、提交与父逐位一致的默认"。** 因此未跑 γ 网格、未花查分额度在 γ>0 配置上，提交 γ=0。+### 门诊断（PLAN 第 2 步，本地不查分） -## 对照结果（mechanism_off_control）+seed 0、λ=1、`target=a`：5 个共有型全部通过样本量门，r 分别为 NCC 1.006、Peri 0.628、V-CM 0.500（撞到 clip 下界，原始 d_a/d_b=102.4/233.8=0.438）、aPHM 0.983、pPHM 0.956。中位 r=0.956 ∈ [0.90,1.10]，但 |1−r|>0.05 的型 = 2（Peri、V-CM），**不满足「<2 个」的判据 → 判定存在可修的尺度失配，进入网格**（PLAN 第 3 步）。机制自检符合设计：每型质心位移 ≤ 3.2e-12（≈0）、修正后中位半径/d_tgt ≈ 1.000、全云 RMS 比 0.954（<2%… 实为 4.6%，但末端 `scale_to_rms(target_rms)` 会复原全局尺度，输出 RMS 与 λ=0 同为 346.3）、被修正细胞 17338、平均位移 49.0。 -- γ=0（默认，外部文件甚至不被读取除非 REANCHOR_DIAG）：输出与父节点 13 提交版**逐位一致**——`X.data/indices/indptr` 与 `spatial_3D` 均 array_equal（preds/gamma0.h5ad vs 改码前用父代码生成的 preds/parent_default.h5ad）。-- vec-check ok；A 半查分 1 次（n15_reanchor_gamma0_control）：60.07，四组分 64.07/66.17/53.78/56.26，与节点 13 同一输出的 A 半控制值完全一致 → 接线无副作用（+0.00）。-- 机制本身可用性验证（仅本地诊断、不查分、不提交）：γ=1.0 时 reanchor_n=341（NCC 融合细胞全部被作用），表达与参考 NCC 均值的 cosine 0.359→0.993，型内 std_ratio=0.031——γ=1 几乎塌缩到型均值，印证 PLAN 风险 2（分布形状塌缩会重罚 cell_state，节点 13 教训：mmd 类惩罚靠二阶统计量修补无效）。坐标逐位不变（符合设计，只动表达）。+### 查分结果（A 半，全部低于控制） -## 验证过 / 未验证+| 配置 | board | expr_change | cell_state | shape_scale | local_spatial |+|---|---:|---:|---:|---:|---:|+| λ=0 控制（=父 15 输出，逐位一致） | 60.07 | 64.07 | 66.17 | 53.78 | 56.26 |+| λ=1.0, target=a | 59.72 | 64.03 | 66.26 | 52.11 | 56.47 |+| λ=1.0, target=interp | 59.72 | 64.21 | 65.92 | 52.48 | 56.27 |+| λ=0.6, target=a | 59.71 | 64.20 | 65.76 | 52.65 | 56.22 |+| λ=0.6, target=interp | 59.60 | 64.09 | 65.95 | 52.63 | 55.72 | -- 验证过：γ=0 逐位一致 + vec-check ok + A 半控制 60.07（1 次查分，余 19）；γ=1 机制生效诊断（341 细胞、cosine、std 塌缩、坐标不动）；运行 ~2s、内存与父相当；external 为空时的优雅退路（代码路径，final 视图 external 组成可能不同）。-- 未验证：任何 γ>0 的榜分（门失败，按 PLAN 停止，不花额度）；varfix 变体的榜分；final 视图（final 的 external 若同为区域标签词汇，门同样失败、γ=0 逐位一致退路生效，不会崩）。+四档 λ>0 一致地把 **shape_scale 打低 1.1–1.7 分**（`scale_log_ratio` 恒为 0.4669，说明全局尺度未被动；变化来自 `d2_shape` 0.0370→0.0383–0.0393 与 `occupancy_dice` 0.837→0.819–0.826），local_spatial 只 +0.2/−0.0（不满足 PLAN 风险 2 的转向条件，因为它没有降），净分 −0.35 ~ −0.47。**结论（阴性）**：b 侧（E9.5）Peri/V-CM 型内离散度大于 a 侧（E8.25）不是「对齐残差」，而是真实结构差异；把 b 侧细胞压回 a 侧离散度会破坏型内密度场与目标阶段的一致性，罚在 d2_shape/occupancy。按 PLAN 停止规则（无 λ 净分超控制 ≥1 分 → 提交 λ=0）执行，`SPREAD_LAM` 默认 0，λ=0 输出与父节点 15 提交版 `X.data/indices/indptr` 与 `spatial_3D` 全部 array_equal（已本地校验）。 -## 生物学知识来源+## 2. 提交的实际增益：分位数门控 NN 表达过冲混合（T2HI-01 部件移植） -- NCC = neural crest cells 的命名同一性（通用谱系知识，标准发育生物学命名法）；除此未使用任何文献/数据库/记忆中的阶段特异性信息。区域标签未做任何到细胞类型的推断映射。+λ 网格全阴后，用剩余额度组合已证明有效的部件：节点 14（γ=1.2 逐细胞过冲混合，60.80）与节点 16（按表达失配分位数门控，61.21）在**非空间分层**底座上有效，本节点把这两个部件移植到父 15 的**空间分层**底座（`spatial_mix_indices` + NN 融合 α=1.0），这是两条支系未曾组合过的配置。 -## 对树的意义+实现（`nn_fuse.py`）：融合时先把每个共有型的 (被融合 b 行, 其 a 侧 NN 表达 X_nb) 收集起来，全部型配对完成后计算**全局**失配 `‖X_nb − X_b‖₂`，取 `EXPR_BLEND_Q`(=0.7) 分位数为阈值，只对 ≥ 阈值的高失配细胞做 `X_b ← (1−β)X_b + β·X_nb`，β=`EXPR_BLEND_BETA`(=2.2) > 1 即越过 a 侧邻居的过冲外推（补偿混合造成的型内方差塌缩）。低失配细胞保留自身 b 侧表达；坐标位移对全部融合细胞照旧；`q_gate=0` 时退回父节点 13 的均匀混合路径（重构后 `q_gate=0, β=1.2` 输出与重构前逐位一致，已校验）。 -T2HI-07 方向的瓶颈不是实现而是**外部参考的标签词汇与官方 T2 心脏词汇在细胞类型粒度上不相交**（区域级 vs 型级）。后续节点若再想用 external/mosta_e95_v0，可行路径是标签无关的对齐（如表达空间 OT/最近邻把参考细胞投到官方型上再算锚点），但那引入"参考细胞是否同型"的新假设，且 γ=1 诊断显示型均值锚点本身有塌缩风险；表达侧改动仍受节点 13 教训约束（cell_state/mmd 对非真实流形谱惩罚苛刻）。坐标底座（α=1.0 NN 融合）保持不动，是当前全部净增益的来源。+A 半网格（控制 60.07）：++| β | q | board | expr_change | cell_state | shape_scale | local_spatial |+|---:|---:|---:|---:|---:|---:|---:|+| 1.2 | 0（无门） | 60.54 | 65.03 | 64.88 | 53.78 | 58.46 |+| 1.2 | 0.5 | 60.71 | 65.20 | 65.91 | 53.78 | 57.96 |+| 1.2 | 0.7 | 60.80 | 65.32 | 66.37 | 53.78 | 57.74 |+| 1.2 | 0.85 | 60.74 | 65.17 | 66.60 | 53.78 | 57.43 |+| 1.5 | 0.7 | 60.92 | 65.59 | 66.42 | 53.78 | 57.90 |+| 1.5 | 0.85 | 60.84 | 65.32 | 66.64 | 53.78 | 57.60 |+| 1.8 | 0.7 | 61.12 | 66.30 | 66.40 | 53.78 | 58.02 |+| **2.2** | **0.7** | **61.26** | 66.79 | 66.34 | 53.78 | 58.14 |+| 3.0 | 0.7 | 61.35 | 67.14 | 66.11 | 53.78 | 58.36 |++规律：门控（q=0.7）稳定优于无门（+0.26，主要救回 cell_state 64.88→66.37）；q=0.85 反而略降（可混合细胞太少）；β 从 1.2 升到 3.0 单调升但收益递减（1.8→2.2 +0.14，2.2→3.0 +0.09），且 cell_state 从 66.4 开始下滑（66.11），mmd_u 0.0324→0.0315。**选 β=2.2、q=0.7**：净 +1.19 已过 1 分噪声门，同时保留 cell_state 余量、不做过度外推（final 括号有 31 个共有型、融合覆盖率远高于 proxy 的 12.9%，过冲幅度会在更大细胞群上累积，取更保守的一档更可能迁移）。shape_scale 四组分中恒为 53.78，确认表达侧改动不触碰坐标（`d2_shape`/`occupancy_dice`/`scale_log_ratio` 与 λ=0 控制逐位相同）。++## 3. 验证过 / 未验证++- 验证过：λ=0 与父 15 输出逐位一致；`q_gate` 重构在 q=0 时逐位一致；默认配置 = β2.2/q0.7 网格档逐位一致；seed 0 与 seed 1 都能跑通（17616 细胞、无 NaN/Inf）；`vec-check` ok；运行 2.0–2.2 s、内存与父同量级；9 次查分（4 个 λ 档 + 5 个 β/q 档 + 1 个 β1.2 无门 + …共 9 次，额度余 7）。+- 未验证：final 视图（31 共有型、覆盖率更高）上 β=2.2 的实际效果——β 是在 proxy 12.9% 融合覆盖率上选的，final 上被混合的细胞数会多得多，可能偏过冲；`varfix` 变体；β 与 λ 的联合（λ>0 已单独判阴，未再组合）；PLAN 可选项（输出前 PCA 去取向规范化）未实现——本次未见同一输出跨种子的 shape_scale 波动（shape_scale 由坐标决定，λ=0 下坐标与控制逐位相同），触发条件不成立。++## 4. 生物学知识来源++未使用任何阶段特异性文献/数据库/记忆信息。用到的通用知识：混合两种真实细胞的表达会使型内方差塌缩、被 mmd 类度量惩罚，因此用 β>1 的过冲外推补偿方差（沿用节点 14 的机制解释）；细胞沿径向到型质心的中位距离是型内离散度的一阶稳健估计（几何常识）。所有数值（t、共有型、d_a/d_b、失配分位数阈值、细胞数）都在运行时从 manifest 指定的输入现场计算。++## 5. 对树的意义++1. T2HI-02「型内尺度失配」假设在 T2:heart 上被证伪：a/b 侧型内离散度差（Peri 0.63、V-CM 0.44）是真实发育结构差，不是对齐残差，径向压回 a 侧会伤 shape_scale（d2_shape、occupancy_dice 同时变差）。后续不要再在「匹配 a 侧离散度」方向上找 shape_scale 增益。+2. shape_scale 的主要罚项是 `scale_log_ratio`=0.467（proxy 目标 E8.75 的 RMS 217 远小于两括号端 354/335，任何括号内插值都够不到），这是 proxy 括号本身的非单调尺度造成的，不可由输入现场算出，硬缩放到某个常数属于对 proxy 过拟合、不可迁移，也不合规——shape_scale 在 proxy 上基本封顶。+3. 剩余可行增益仍在表达侧：β 网格到 3.0 仍单调上升（+0.09/档），但 cell_state 已开始下滑；更值得试的是把「失配门控」从全局分位数换成型内分位数或按型自适应 β（大 β 对高失配型、小 β 对低失配型），以及在 final 括号上重选 β（覆盖率 3 倍于 proxy）。diff --git a/solution/nn_fuse.py b/solution/nn_fuse.pyindex dd1fdaf..06cc6db 100644--- a/solution/nn_fuse.py+++ b/solution/nn_fuse.py@@ -22,6 +22,7 @@ from src.task2_spatial.transport import as_dense  from expr_reanchor import apply_reanchor from spatial_mix import spatial_mix_indices+from spread_match import type_spread_match  NN_MIN_TYPE_CELLS = 5 @@ -30,13 +31,21 @@ def fuse_nn(coords: np.ndarray, labels_pick: np.ndarray, from_a: np.ndarray,             labels_a: np.ndarray, labels_b: np.ndarray,             ca: np.ndarray, cb: np.ndarray, alpha: float, fuse_ndim: int = 3,             expr: np.ndarray | None = None, expr_a: np.ndarray | None = None,-            ia: np.ndarray | None = None, beta: float = 0.0, varfix: bool = False) -> dict:+            ia: np.ndarray | None = None, beta: float = 0.0, varfix: bool = False,+            q_gate: float = 0.0) -> dict:     """In-place displacement of picked b-side cells toward same-type a-side NNs.      If beta > 0 and expr/expr_a/ia are given, the expression of each fused     b-side output row is blended in place toward the expression of its     a-side nearest neighbour (the same neighbour used for the coordinate     displacement): X_b <- (1-beta)*X_b + beta*X_a_nn.++    q_gate > 0 restricts the blend to the fused b-side cells whose+    expression mismatch ||X_a_nn - X_b|| is at or above the q_gate+    quantile of the mismatch over ALL fused cells (one global threshold,+    applied after every type has been paired); low-mismatch cells keep+    their own b-side expression.  Coordinates are displaced for every+    fused cell regardless of the gate.     """     diag = {"types": {}, "n_fused": 0, "disp_std_mean": 0.0, "nn_dist_before_mean": 0.0,             "cos_before": 0.0, "cos_after": 0.0, "fused_rows_by_type": {}}@@ -51,6 +60,7 @@ def fuse_nn(coords: np.ndarray, labels_pick: np.ndarray, from_a: np.ndarray,     a_out_row = -np.ones(len(labels_a), dtype=np.int64)     a_out_row[np.asarray(ia, dtype=int)] = np.arange(len(ia), dtype=np.int64)     disp_stds, nn_dists, cos_b, cos_a = [], [], [], []+    pending: list[tuple[np.ndarray, np.ndarray]] = []     for lab in sorted(set(counts_a) & set(counts_b)):         if counts_a[lab] < NN_MIN_TYPE_CELLS or counts_b[lab] < NN_MIN_TYPE_CELLS:             continue@@ -87,16 +97,22 @@ def fuse_nn(coords: np.ndarray, labels_pick: np.ndarray, from_a: np.ndarray,                 Xnb[have] = expr[nb_out[have]]                 if (~have).any():                     Xnb[~have] = expr_a[orig_a_idx[~have]]-                Xb = expr[rows_b]-                cos_b.append(_cos_mean(Xb, Xnb))-                Xnew = (1.0 - beta) * Xb + beta * Xnb-                if varfix:-                    mu0, sd0 = Xb.mean(0), Xb.std(0)-                    mu1, sd1 = Xnew.mean(0), Xnew.std(0)-                    Xnew = mu1 + (Xnew - mu1) * (sd0 / (sd1 + 1e-9))-                    np.clip(Xnew, 0.0, None, out=Xnew)-                expr[rows_b] = Xnew-                cos_a.append(_cos_mean(expr[rows_b], Xnb))+                if float(q_gate) > 0.0:+                    pending.append((rows_b, Xnb))+                    continue+                _apply_blend(expr, rows_b, Xnb, float(beta), bool(varfix), cos_b, cos_a)+    if pending:+        all_rows = np.concatenate([r for r, _ in pending])+        all_nb = np.vstack([x for _, x in pending])+        mism = np.linalg.norm(all_nb.astype(np.float64) - expr[all_rows].astype(np.float64), axis=1)+        thr = float(np.quantile(mism, float(q_gate))) if mism.size else 0.0+        sel = mism >= thr+        diag["q_gate"] = float(q_gate)+        diag["q_thresh"] = thr+        diag["n_blended"] = int(sel.sum())+        diag["frac_blended_of_fused"] = float(sel.sum() / max(all_rows.size, 1))+        if sel.any():+            _apply_blend(expr, all_rows[sel], all_nb[sel], float(beta), bool(varfix), cos_b, cos_a)     if disp_stds:         diag["disp_std_mean"] = float(np.mean(disp_stds))         diag["nn_dist_before_mean"] = float(np.mean(nn_dists))@@ -106,6 +122,20 @@ def fuse_nn(coords: np.ndarray, labels_pick: np.ndarray, from_a: np.ndarray,     return diag  +def _apply_blend(expr: np.ndarray, rows: np.ndarray, Xnb: np.ndarray, beta: float,+                 varfix: bool, cos_b: list, cos_a: list) -> None:+    Xb = expr[rows]+    cos_b.append(_cos_mean(Xb, Xnb))+    Xnew = (1.0 - beta) * Xb + beta * Xnb+    if varfix:+        mu0, sd0 = Xb.mean(0), Xb.std(0)+        mu1, sd1 = Xnew.mean(0), Xnew.std(0)+        Xnew = mu1 + (Xnew - mu1) * (sd0 / (sd1 + 1e-9))+        np.clip(Xnew, 0.0, None, out=Xnew)+    expr[rows] = Xnew+    cos_a.append(_cos_mean(expr[rows], Xnb))++ def _cos_mean(X: np.ndarray, Y: np.ndarray) -> float:     num = (X * Y).sum(1)     den = np.linalg.norm(X, axis=1) * np.linalg.norm(Y, axis=1) + 1e-12@@ -115,7 +145,9 @@ def _cos_mean(X: np.ndarray, Y: np.ndarray) -> float: def interpolate_fuse(stage_a, stage_b, t: float, params: dict,                      cells_per_bin: int = 100, ndim: int = 2, alpha: float = 1.0, fuse_ndim: int = 3,                      beta: float = 0.0, varfix: bool = False,-                     ref_means: dict | None = None, gamma: float = 0.0, rvarfix: bool = False):+                     ref_means: dict | None = None, gamma: float = 0.0, rvarfix: bool = False,+                     spread_lam: float = 0.0, spread_min_cells: int = 10,+                     spread_target: str = "a", q_gate: float = 0.0):     t = float(t)     damp = float(params.get("scale_damp", 1.0))     align = str(params.get("align", "procrustes"))@@ -127,6 +159,9 @@ def interpolate_fuse(stage_a, stage_b, t: float, params: dict,     target_rms = log_interp(rms_a, rms_b, t, damp)     ca = scale_to_rms(aligned_a, target_rms)     cb = scale_to_rms(aligned_b, target_rms)+    cb, spread_diag = type_spread_match(ca, cb, stage_a.labels, stage_b.labels,+                                        float(spread_lam), int(spread_min_cells),+                                        t=t, target=str(spread_target))     n = _limits(params, stage_a.n, stage_b.n, t, "interp")      ia, ib = spatial_mix_indices(stage_a.labels, stage_b.labels, ca, cb, t, n, rng, cells_per_bin, ndim)@@ -150,7 +185,7 @@ def interpolate_fuse(stage_a, stage_b, t: float, params: dict,                    fuse_ndim=int(fuse_ndim),                    expr=expr if beta > 0 else None,                    expr_a=as_dense(stage_a.X) if beta > 0 else None,-                   ia=ia, beta=float(beta), varfix=bool(varfix))+                   ia=ia, beta=float(beta), varfix=bool(varfix), q_gate=float(q_gate))     fused_rows_by_type = diag.pop("fused_rows_by_type", {})     ref_means = ref_means or {}     gate = {"ref_types": sorted(ref_means), "fused_types": sorted(fused_rows_by_type),@@ -175,6 +210,9 @@ def interpolate_fuse(stage_a, stage_b, t: float, params: dict,         disp_std_mean=diag["disp_std_mean"],         nn_dist_before_mean=diag["nn_dist_before_mean"],         expr_blend_beta=float(beta),+        expr_blend_q=float(q_gate),+        n_blended=int(diag.get("n_blended", diag["n_fused"] if beta > 0 else 0)),+        q_thresh=float(diag.get("q_thresh", 0.0)),         cos_before=diag["cos_before"],         cos_after=diag["cos_after"],         fuse_types=diag["types"],@@ -183,5 +221,14 @@ def interpolate_fuse(stage_a, stage_b, t: float, params: dict,         reanchor_cos_before=ra["cos_before"], reanchor_cos_after=ra["cos_after"],         reanchor_std_ratio=ra["std_ratio_mean"],         reanchor_gate=gate,+        spread_lam=float(spread_lam),+        spread_n_types=int(spread_diag.get("n_types", 0)),+        spread_median_r=float(spread_diag.get("median_r", 1.0)),+        spread_n_types_r_off=int(spread_diag.get("n_types_r_off", 0)),+        spread_n_modified=int(spread_diag.get("n_cells_modified", 0)),+        spread_mean_disp=float(spread_diag.get("mean_disp_mean", 0.0)),+        spread_centroid_move_max=float(spread_diag.get("centroid_move_max", 0.0)),+        spread_rms_ratio=float(spread_diag.get("rms_ratio", 1.0)),+        spread_types=spread_diag.get("types", {}),     )     return expr, coords.astype(np.float32), infodiff --git a/solution/run.py b/solution/run.pyindex 5c59c19..fd47c8c 100644--- a/solution/run.py+++ b/solution/run.py@@ -46,10 +46,14 @@ SHAPE_SHIFT_CLAMP = float(os.environ.get("SHAPE_SHIFT_CLAMP", "0.08")) NN_FUSE = os.environ.get("NN_FUSE", "1") != "0" NN_FUSE_ALPHA = float(os.environ.get("NN_FUSE_ALPHA", "1.0")) NN_FUSE_NDIM = int(os.environ.get("NN_FUSE_NDIM", "3"))-EXPR_BLEND_BETA = float(os.environ.get("EXPR_BLEND_BETA", "0.0"))+EXPR_BLEND_BETA = float(os.environ.get("EXPR_BLEND_BETA", "2.2")) EXPR_BLEND_VARFIX = os.environ.get("EXPR_BLEND_VARFIX", "0") != "0" EXPR_REANCHOR_GAMMA = float(os.environ.get("EXPR_REANCHOR_GAMMA", "0.0")) EXPR_REANCHOR_VARFIX = os.environ.get("EXPR_REANCHOR_VARFIX", "0") != "0"+SPREAD_LAM = float(os.environ.get("SPREAD_LAM", "0.0"))+SPREAD_MIN_CELLS = int(os.environ.get("SPREAD_MIN_CELLS", "10"))+SPREAD_TARGET = os.environ.get("SPREAD_TARGET", "a")+EXPR_BLEND_Q = float(os.environ.get("EXPR_BLEND_Q", "0.7"))   def main() -> None:@@ -85,17 +89,23 @@ def main() -> None:                                               alpha=NN_FUSE_ALPHA, fuse_ndim=NN_FUSE_NDIM,                                               beta=EXPR_BLEND_BETA, varfix=EXPR_BLEND_VARFIX,                                               ref_means=ref_means, gamma=EXPR_REANCHOR_GAMMA,-                                              rvarfix=EXPR_REANCHOR_VARFIX)+                                              rvarfix=EXPR_REANCHOR_VARFIX,+                                              spread_lam=SPREAD_LAM,+                                              spread_min_cells=SPREAD_MIN_CELLS,+                                              spread_target=SPREAD_TARGET,+                                              q_gate=EXPR_BLEND_Q)         if ref_diag:             info["ref_diag"] = ref_diag     elif SPATIAL_STRATIFY:         expr, coords, info = interpolate_spatial(stage_a, stage_b, t, params, cells_per_bin=CELLS_PER_BIN, ndim=BIN_NDIM)     else:         expr, coords, info = interpolate(stage_a, stage_b, t, params)-    keep = {k: info.get(k) for k in ("t", "n", "rms_a", "rms_b", "out_rms", "n_shared_types", "z_dot", "z_flipped", "align", "n_from_a", "n_from_b", "n_remap", "frac_remap", "n_clamped", "nn_alpha", "n_fused", "frac_fused", "disp_std_mean", "nn_dist_before_mean", "expr_blend_beta", "cos_before", "cos_after", "reanchor_gamma", "reanchor_n", "reanchor_cos_before", "reanchor_cos_after", "reanchor_std_ratio", "reanchor_gate", "ref_diag")}+    keep = {k: info.get(k) for k in ("t", "n", "rms_a", "rms_b", "out_rms", "n_shared_types", "z_dot", "z_flipped", "align", "n_from_a", "n_from_b", "n_remap", "frac_remap", "n_clamped", "nn_alpha", "n_fused", "frac_fused", "disp_std_mean", "nn_dist_before_mean", "expr_blend_beta", "cos_before", "cos_after", "reanchor_gamma", "reanchor_n", "reanchor_cos_before", "reanchor_cos_after", "reanchor_std_ratio", "reanchor_gate", "ref_diag", "spread_lam", "spread_n_types", "spread_median_r", "spread_n_types_r_off", "spread_n_modified", "spread_mean_disp", "spread_centroid_move_max", "spread_rms_ratio", "expr_blend_q", "n_blended", "q_thresh")}     print(json.dumps({"bracket": [a["stage"], b["stage"]], **keep}, default=float), file=sys.stderr)     if os.environ.get("SHAPE_DIAG"):         print(json.dumps(info.get("shape_types", {}), default=float), file=sys.stderr)+    if os.environ.get("SPREAD_DIAG"):+        print(json.dumps(info.get("spread_types", {}), default=float), file=sys.stderr)     if os.environ.get("FUSE_DIAG"):         print(json.dumps(info.get("fuse_types", {}), default=float), file=sys.stderr)     write_t2(args.out, expr, coords, genes, seed=args.seed)diff --git a/solution/spread_match.py b/solution/spread_match.pynew file mode 100644index 0000000..1e7bb5e--- /dev/null+++ b/solution/spread_match.py@@ -0,0 +1,104 @@+"""Type-level within-type radial spread matching (T2HI-02, node 17).++After Procrustes alignment + global RMS scaling of the two bracketing+clouds, every cell type present on BOTH sides (>= min_cells cells each)+gets its stage-b within-type dispersion matched to the stage-a one:++    d_a = median ||x - c_a||   over stage-a cells of the type+    d_b = median ||x - c_b||   over stage-b cells of the type+    r   = clip(d_a / d_b, 0.5, 2.0)+    x  <- c_b + (1 - lam + lam * r) * (x - c_b)      (b side only)++The displacement is radial (along the ray from the type's own b-side+centroid) and proportional to each cell's distance to that centroid, so+the type centroid, the direction of every cell and the between-type+layout are all preserved; only the within-type scale changes.  It is+deterministic, involves no random perturbation (unlike the node-11+isotropic dispersion) and is not a clamped affine shape interpolation+(unlike node 9): the correction factor is a single scalar per type+estimated from the a-side dispersion, applied uniformly in radius.++lam = 0 leaves cb untouched (mechanism-off control, bit-identical to the+parent).  The stage-a cloud and the expression matrix are never modified.+"""++from __future__ import annotations++import numpy as np++SPREAD_MIN_CELLS = 10+R_CLIP = (0.5, 2.0)+++def type_spread_match(ca: np.ndarray, cb: np.ndarray, labels_a: np.ndarray,+                      labels_b: np.ndarray, lam: float,+                      min_cells: int = SPREAD_MIN_CELLS,+                      t: float = 0.5, target: str = "a") -> tuple[np.ndarray, dict]:+    """Radially rescale b-side cells so within-type spread matches a-side.++    Returns (cb, diag).  With lam == 0 the input array is returned as-is.+    """+    diag: dict = {"lam": float(lam), "min_cells": int(min_cells), "target": str(target), "types": {},+                  "n_types": 0, "n_cells_modified": 0, "median_r": 1.0,+                  "n_types_r_off": 0, "disp_move": [], "rms_ratio": 1.0}+    if float(lam) == 0.0:+        return cb, diag+    labels_a = np.asarray(labels_a).astype(str)+    labels_b = np.asarray(labels_b).astype(str)+    ca64 = np.asarray(ca, dtype=np.float64)+    cb64 = np.asarray(cb, dtype=np.float64)+    out = cb64.copy()+    rms0 = float(np.sqrt(np.mean(np.sum(cb64 ** 2, axis=1)))) if cb64.size else 0.0+    counts_a = {k: int(v) for k, v in zip(*np.unique(labels_a, return_counts=True))}+    counts_b = {k: int(v) for k, v in zip(*np.unique(labels_b, return_counts=True))}+    rs, moves, disp_norms = [], [], []+    for lab in sorted(set(counts_a) & set(counts_b)):+        if counts_a[lab] < min_cells or counts_b[lab] < min_cells:+            continue+        ma = labels_a == lab+        mb = labels_b == lab+        xa = ca64[ma]+        xb = cb64[mb]+        c_a = xa.mean(0)+        c_b = xb.mean(0)+        d_a = float(np.median(np.linalg.norm(xa - c_a, axis=1)))+        d_b = float(np.median(np.linalg.norm(xb - c_b, axis=1)))+        if not np.isfinite(d_a) or not np.isfinite(d_b) or d_b <= 1e-9:+            continue+        # target dispersion: "a" matches the a-side spread exactly; "interp"+        # geometrically interpolates a->b at the same t as the global cloud+        # scaling (log_interp), so the within-type spread lands where the+        # target stage should sit instead of jumping to the earlier stage.+        if str(target) == "interp":+            d_tgt = float(np.exp((1.0 - float(t)) * np.log(max(d_a, 1e-9))+                                 + float(t) * np.log(max(d_b, 1e-9))))+        else:+            d_tgt = d_a+        r = float(np.clip(d_tgt / d_b, R_CLIP[0], R_CLIP[1]))+        f = 1.0 - float(lam) + float(lam) * r+        rel = xb - c_b+        new = c_b + f * rel+        out[mb] = new+        after = float(np.median(np.linalg.norm(new - new.mean(0), axis=1)))+        rs.append(r)+        moves.append(float(np.linalg.norm(new.mean(0) - c_b)))+        disp_norms.append(float(np.mean(np.linalg.norm(new - xb, axis=1))))+        diag["types"][lab] = {+            "n_a": int(ma.sum()), "n_b": int(mb.sum()),+            "d_a": d_a, "d_b": d_b, "d_tgt": d_tgt, "r": r, "factor": float(f),+            "med_radius_after": after,+            "radius_ratio_after": float(after / d_tgt) if d_tgt > 1e-9 else float("nan"),+            "centroid_move": moves[-1],+            "mean_disp": disp_norms[-1],+        }+        diag["n_cells_modified"] += int(mb.sum())+    diag["n_types"] = len(rs)+    if rs:+        diag["median_r"] = float(np.median(rs))+        diag["mean_r"] = float(np.mean(rs))+        diag["n_types_r_off"] = int(sum(1 for r in rs if abs(1.0 - r) > 0.05))+        diag["centroid_move_max"] = float(np.max(moves))+        diag["mean_disp_mean"] = float(np.mean(disp_norms))+    rms1 = float(np.sqrt(np.mean(np.sum(out ** 2, axis=1)))) if out.size else 0.0+    diag["rms_ratio"] = float(rms1 / rms0) if rms0 > 0 else 1.0+    return out.astype(np.asarray(cb).dtype, copy=False), diag

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

计划里引用的来源

• k026（notes/pitfalls/04_scorer_invariance.md，文献库）— 仅用于可选的输出去取向规范化记录项：形状度量按 PCA 对齐但不定行列式，规范化只作方差去除、所有候选一致应用，不用于针对打分器优化。

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

提交完成（`solution/`，默认配置 = 提交档，vec-check ok，2.1s / 17616 细胞）。

- **PLAN 机制（T2HI-02 型内径向尺度匹配）已实现并实测：阴性。** 门诊断通过（Peri r=0.63、V-CM r=0.44→clip 0.5，|1−r|>0.05 的型 2 个），但 λ∈{0.6,1.0}×{target=a,interp} 四档全部低于 λ=0 控制（59.60–59.72 vs 60.07），shape_scale 一致掉 1.1–1.7（d2_shape、occupancy_dice 同时变差），local_spatial 几乎不动 → 按停止规则提交 λ=0，且 λ=0 输出与父 15 逐位一致。结论：a/b 侧型内离散度差是真实结构差，不是对齐残差。
- **实际增益来自组合已证明部件**：把节点 14/16 的「逐细胞过冲混合 + 失配分位数门控」移植到父 15 的空间分层底座。A 半：β1.2/无门 60.54 → β1.2/q0.7 60.80 → β1.8 61.12 → **β2.2/q0.7 = 61.26（+1.19）**，β3.0 61.35 但收益递减且 cell_state 开始下滑，故选保守档。shape_scale 恒 53.78（坐标未动）。查分 13 次，余 7。
- **下一步最值得试**：final 括号上重选 β（共有型 31 个、融合覆盖率约 3 倍于 proxy，β=2.2 可能偏过冲）；把全局失配门换成型内分位数/按型自适应 β。shape_scale 在 proxy 上基本封顶——罚项主因是 `scale_log_ratio`=0.467（目标 E8.75 的 RMS 217 远小于括号两端 354/335），硬缩放属过拟合且不可迁移。

调研员

中位距离 d_a、b 侧到本型 b 质心的中位距离 d_b，比率 r=d_a/d_b（clip 到 [0.5,2]）；每个 b 细胞做 x ← c_b + (1−λ+λr)(x−c_b)，即沿到本型 b 质心的射线重标，方向与型质心位置不变；a 侧、非共有型、表达矩阵一律不动。环境变量：SPREAD_LAM（默认 0=关闭）、SPREAD_MIN_CELLS、SPREAD_DIAG（stderr 输出每型 d_a/d_b/r/n_cells 与 λ 下实际修正量）。2) 门诊断先行（不查分）：seed 0 本地跑 SPREAD_DIAG，若共有型中位 r∈[0.90,1.10] 且 |1−r|>0.05 的型 <2 个，判定\"无尺度失配可修\"，只提交 λ=0 控制（1 次查分确认与父控制 60.07 同噪声带）并如实记录阴性，不花网格额度（沿用节点 15 的硬门止损纪律）。3) 若门通过：vec-score A 半查控制 λ=0（应与节点 15 控制 60.07 同带）、λ=1.0、λ=0.6，必要时补 λ=0.3；总查分 ≤6/20。停止规则：任何 λ 使 local_spatial 较控制降 >1 分即停该方向；无 λ 净分超控制 ≥1 分（T2 噪声）则提交 λ=0。4) 单输入阶段（b is None）走现有 read_stage 退路，本模块不执行；final 双阶段括号代码路径相同，按 manifest 括号泛化，无阶段硬编码。5) 运行 ~2s、内存与父相当，无需小样本预跑。可选记录项（不实现则跳过）：输出前对点云做 PCA 定向规范化（减质心→PCA 轴→det=+1→三阶矩定轴符号）以去除取向方差，仅当发现同一输出跨种子 shape_scale 波动 >1 分时作为第二轮候选，来源 k026。",
 "expected_groups": ["shape_scale", "local_spatial"],
 "risks": "1) 尺度失配不存在（r≈1）：门诊断在第一次本地运行即暴露，只花 1 次查分止损。2) 型内重标改变型间相对布局反而伤 shape_scale/local_spatial：用 λ=0.6/0.3 阻尼、质心不动、r clip [0.5,2] 限制；λ=1.0 首查若 local_spatial 降 >1 立即转向小 λ。3) 增益 <1 分噪声：以 λ=0 控制为基准、最多 2 个 λ 各查 1 次对比，不追 <1 分差异。4) 中位距离对小样本型估计噪声大：SPREAD_MIN_CELLS=10 门槛。5) 与节点 9/11 混淆：本机制是确定性径向重标（非钳幅仿射、非随机弥散），Engineer 应在 METHOD.md 写明区别。",
 "family_id": "T2HI-02",
 "mechanism": "每个共有型的 b 侧坐标绕本型质心做逐细胞径向重标，使 b 侧型内离散度（中位半径）匹配 a 侧，方向与型质心保持不变；修正量随细胞到质心距离连续变化，属保角度的型内尺度对齐。",
 "vs_constant_shift": "型内常数位移对该型所有细胞施加同一向量、不改变型内离散度；本机制位移=(λ(r−1))×(x−c_b)，与每个细胞到型质心的距离成正比、方向沿径向，逐细胞异质，只改型内尺度不改型质心与全局布局；节点 6/7 已证型均值常数位移降分，本机制在结构上不同（修二阶离散度而非一阶位置）。",
 "mechanism_evidence": "SPREAD_DIAG 输出：每型 r 值与 λ 下的实际修正细胞数、位移幅度分布、修正前后型内中位半径（应收敛向 1）、型质心位移（应≈0）、全云 RMS 变化（应 <2%）；查分证据：λ>0 时 shape_scale 相对 λ=0 控制变化 ≥1 分，且 cell_state/expression_change 保持噪声内（只动坐标的必然推论，若它们明显变动说明接线有副作用）。",
 "mechanism_off_control": "SPREAD_LAM=0：重标因子恒为 1，代码路径直通；预期输出与父节点 15/13 提交版 X.data/indices/indptr 及 spatial_3D 逐位 array_equal（沿用节点 15 的逐位校验做法），A 半查分 1 次应与 60.07 控制同噪声带，四组分全 +0.00。",
 "sources": ["k026（notes/pitfalls/04_scorer_invariance.md，文献库）— 仅用于可选的输出去取向规范化记录项：形状度量按 PCA 对齐但不定行列式，规范化只作方差去除、所有候选一致应用，不用于针对打分器优化。"]}
```

审查员

REVIEW.json written