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

节点 n22

NN融合后型内密度均衡位移（T2HI-04）：重复坐标栈按质量点处理，沿加权密度梯度+确定性去栈方向位移，λ=0.4、k=5、钳幅0.03×RMS，位移后全局RMS精确复原。

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 443b5ac207: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 9a7c93e59e。改动的文件：solution/METHOD.md +36 −34、solution/dens_eq.py +142 −0、solution/nn_fuse.py +8 −1、solution/run.py +11 −1

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 56326bf..36c697e 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,54 +1,56 @@-按失配自适应 NN 表达过冲强度（T2HI-01）：PLAN 的型级 β 实测激活但增益在噪声内；提交逐细胞 β_i=clip(2.8·(mism_i/m_global)^1.5,1.2,3.5)+全局 q0.8 门。+NN融合后型内密度均衡位移（T2HI-04）：重复坐标栈按质量点处理，沿加权密度梯度+确定性去栈方向位移，λ=0.4、k=5、钳幅0.03×RMS，位移后全局RMS精确复原。  ## 方法 -底座与父 17 完全相同：mix（align=procrustes, scale_damp=1）→ 型内空间分层 (1−t,t) 抽样 → 共有型 b 细胞向 a 侧同型最近邻做 α=1.0 的 3D 位移融合。只改**被融合 b 细胞的表达过冲幅度**：+底座与父 20 完全相同：mix（align=procrustes, scale_damp=1）→ 型内空间分层 (1−t,t) 抽样 → 共有型 b 细胞向 a 侧同型最近邻 α=1.0 位移融合 → 逐细胞自适应表达过冲 β_i=clip(2.8·(mism_i/m_global)^1.5,1.2,3.5)+全局 q0.8 门。只在**坐标融合之后、jitter/重缩放之前**新增密度均衡步骤（`dens_eq.py`，`DENS_EQ=1` 默认开）： -- 全局失配 `mism_i = ‖X_a_nn − X_b‖₂`，`m_global = median(mism)`（全部被融合细胞）；-- 门控 `EXPR_GATE_MODE=global`，阈值 = `mism` 的 `EXPR_BLEND_Q`(=0.8) 分位数，只有高失配细胞被混合（本视图 2273 个融合细胞中 455 个）；-- 过冲强度 `EXPR_BETA_MODE`：-  - `const`（父 17）：所有被混细胞同一 β；-  - `type`（PLAN 原文，`EXPR_BETA_ADAPT=1` 等价）：`β_type = β_base·(m_type/m_global)^p`，`m_type` = 型内失配中位数，型内融合细胞 < `EXPR_BETA_MIN_TYPE_CELLS`(=10) 时回退 β_base；-  - `cell`（提交档）：`β_i = β_base·(mism_i/m_global)^p`，逐细胞连续；-  - 三者都 clamp 到 `[EXPR_BETA_LO=1.2, EXPR_BETA_HI=3.5]`。+- 诊断发现：α=1.0 融合把 b 细胞精确吸附到 a 细胞坐标上，融合云里存在大量**完全重复的坐标栈**（proxy 上 5 个共有型内 33–77% 的细胞处于栈中，最大栈 146 个细胞/点）——这是 PLAN 预期的密度尖峰的极端形式，朴素逐细胞 kNN 密度在其上失效（中位 d_k=0、梯度为 0）。+- 因此把重复坐标组合并为**质量点**（质量 m=重复数），对唯一坐标建 cKDTree：d_k(g)=到 k=5 个最近不同位置的平均距离，ρ=1/d_k，grad(g)=Σ_j m_j·(pos_g−pos_j)/‖pos_g−pos_j‖²（指向密度下降方向），dev=clip((ρ−ρ_med)/ρ_med,−1,1)。+- 位移 δ_i = λ·scale·[normalize(grad)·dev + u_i·(1−1/m_i)]：第二项只对栈内细胞生效，u_i 是按型标签 crc32 播种的确定性伪随机单位向量，把栈炸开而不是整体平移（否则同栈细胞梯度/dev 完全相同，只会一起动、栈依旧）。scale=型内正 d_k 中位数。+- 硬钳 ‖δ‖ ≤ DENS_CLAMP(0.03)×RMS_cloud；随后整云 `scale_to_rms` 回位移前的精确 RMS（实测差 0.0，shape_scale 四档指标 d2_shape/occupancy_dice/scale_log_ratio 全部不动，验证成立）。+- 只动共有型（有融合 b 细胞的型）细胞；非共有型和表达矩阵不碰。单输入阶段（b is None）走原有 read_stage/take 退路，本模块不执行。 -提交默认：`EXPR_BLEND_BETA=2.8`、`EXPR_BLEND_Q=0.8`、`EXPR_BETA_MODE=cell`、`EXPR_BETA_P=1.5`。另实现 `EXPR_GATE_MODE=type`（型内分位数门）与 `EXPR_BLEND_VARFIX=1`（混合后按基因恢复标准差）用于对照，均判阴、默认关闭。单输入阶段（`b is None`）走父节点原有 `read_stage`/`take` 退路，本模块不执行；括号、t、共有型、失配统计全部现场从 view 计算，无阶段/细胞数/数据集硬编码，不读 `board`/`mode`，输出只依赖数据与 `--seed`。+提交默认：`DENS_LAM=0.4, DENS_K=5, DENS_CLAMP=0.03, DENS_SCALE=nn`。括号、t、共有型、密度统计全部现场从 view 计算；无任何阶段/细胞数/数据集/board 硬编码；去栈随机方向由型标签 crc32 播种，与 `--seed` 和视图路径无关，输出只依赖数据与 seed。 -## 机制生效证据（`BETA_DIAG=1`，stderr）+## 机制生效证据（DENS_DIAG=1，λ=0.4 前的 λ=0.1 实测，λ 只线性缩幅度） -`type` 档（β_base=2.2, p=1.0, q=0.7）：m_global=38.53，β_type = NCC 2.394(n_fused 341, m 41.94, 混 236)、Peri 2.059(621, 36.06, 19)、V-CM 2.142(814, 37.51, 58)、aPHM 2.361(239, 41.35, 132)、pPHM 2.493(258, 43.67, 237)；型间 std ≈ 0.17 > 0.1 → 自适应确实在运行，但离散度小（m_type/m_global 仅 0.94–1.13），因此对分数的影响被压在噪声内。`cell` 档把同一比值放到逐细胞尺度，β_i 实际跨越 [1.2, 3.5] 的 clamp 区间，改变的是 455 个被混细胞的表达行（坐标与父 17 逐位相同，`shape_scale`/`d2_shape`/`occupancy_dice`/`scale_log_ratio` 四档全部不变 = 53.78/0.03695/0.8366/0.4669）。+- 型内 kNN 距离变异系数 CV：1.486 → 1.257（λ=0.1；逐型：Peri 1.82→1.29、V-CM 1.40→1.16、pPHM 1.88→1.63、NCC 1.09→1.03、aPHM 1.25→1.18）——密度场确实在均衡；+- 位移中位数 1.92、p95 6.01（λ=0.1），位移/型内 d_med 比 0.070（λ=0.4 时约 0.28，>5% 门槛）；梯度方向两两 |cos| 中位 0.56，非单方向平移；+- 全局 RMS 位移前后 337.560700934 → 337.560700934（差 <1e-9）；+- 四组分（λ=0.4 vs 父 20 A半基线）：expression_change 68.03→68.03、cell_state 66.37→66.37（表达未动，逐位不变）；shape_scale 53.78→53.76（噪声内）；local_spatial 58.09→58.22（+0.13）。  ## 关闭对照（mechanism_off_control） -`EXPR_BETA_MODE=const EXPR_BLEND_BETA=2.2 EXPR_BLEND_Q=0.7` 的输出与父 17 提交版 `X.data/indices/indptr` 与 `spatial_3D` 全部 `array_equal`（本地校验 True）。默认（新档）与控制不同：`n_blended` 682→455，被混行的 β 由常数 2.2 变为逐细胞 1.2–3.5。+`DENS_EQ=0`（即 λ=0）时 `density_eq` 在触碰坐标前直接返回，输出与父 20 提交版逐位一致（本地跑两次 off 全部 array_equal=True；父 20 同配置 A 半 61.567）。 -## 查分（A 半，`vec-score --task T2:heart:val_interp`，共 10 次，额度余 5）+## 查分（A 半，`vec-score --task T2:heart:val_interp`，共 15 次，额度余 5） -控制 = β2.2/q0.7/const = 父 17 配置：**61.2623**（expr 66.79 / cell_state 66.34 / shape 53.78 / local 58.14）。+基线 = 父 20 提交配置 **61.567**（expr 68.03 / state 66.37 / shape 53.78 / local 58.09）。 -| 配置 | board | expr_change | cell_state | local_spatial |-|---|---:|---:|---:|---:|-| type β, p=1.0 | 61.355 | 67.18 | 66.28 | 58.17 |-| type β, p=1.5 | 61.353 | 67.19 | 66.25 | 58.19 |-| type β, p=2.5 | 61.403 | 67.42 | 66.19 | 58.22 |-| const β2.8/q0.8 | 61.406 | 67.38 | 66.45 | 58.01 |-| type β2.8/q0.7 | 61.333 | 67.11 | 66.10 | 58.34 |-| type β3.0/q0.7 p1.5 | 61.230 | 66.73 | 66.00 | 58.41 |-| cell β2.2/q0.7 p1.0 | 61.362 | 67.19 | 66.27 | 58.21 |-| cell β2.2/q0.7 p0.5 | 61.295 | 66.92 | 66.30 | 58.18 |-| gate=type, β2.2/q0.7 | 60.898 | 65.16 | 66.43 | 58.22 |-| varfix, β2.2/q0.7 | 60.903 | 66.74 | 65.48 | 57.62 |-| cell β2.8/q0.8 p1.0 | 61.508 | 67.79 | 66.39 | 58.07 |-| cell β3.4/q0.85 p1.0 (hi=4.5) | 61.508 | 67.66 | 66.51 | 58.08 |-| **cell β2.8/q0.8 p1.5（提交）** | **61.567** | 68.03 | 66.37 | 58.09 |+| 配置 (λ, k, clamp) | board | local | shape |+|---|---:|---:|---:|+| 0.05, 5, 0.03 | 61.557 | 58.06 | 53.78 |+| 0.1, 5, 0.03 | 61.554 | 58.05 | 53.77 |+| 0.15, 5, 0.03 | 61.565 | 58.10 | 53.76 |+| 0.2, 5, 0.03 | 61.575 | 58.15 | 53.76 |+| 0.3, 5, 0.03 | 61.587 | 58.20 | 53.76 |+| **0.4, 5, 0.03（提交）** | **61.594** | 58.22 | 53.76 |+| 0.45, 5, 0.03 | 61.586 | 58.19 | 53.76 |+| 0.6, 5, 0.03 | 61.581 | 58.17 | 53.76 |+| 1.0, 5, 0.03 | 61.577 | 58.15 | 53.76 |+| 0.3, 5, 0.05 / 0.10 | 61.544 / 61.540 | 58.14 / 58.13 | 53.65 / 53.64 |+| 0.6, 5, 0.10 | 61.524 | 58.09 | 53.62 |+| 0.3, 3, 0.03 | 61.572 | 58.14 | 53.76 |+| 0.3, 7, 0.03 | 61.571 | 58.23 | 53.66 |+| 0.4, 7, 0.03 | 61.564 | 58.20 | 53.66 | -结论（如实）：**PLAN 指定的型级自适应 β 判阴**——p=1.0/1.5/2.5 三档相对控制 +0.09…+0.14，全部低于 0.5 的噪声门；原因是本括号上型间失配中位数几乎相同（0.94–1.13×m_global），β_type 离散度太小，改不动分数。逐细胞版本（同一机制、更细的粒度）与更紧的门 + 更大 β_base 组合出 +0.30（61.262→61.567），仍**低于 0.5 噪声门**，只是所有档中最高、且方向与节点 18（另一底座上 β1.2→2.8、q0.7→0.8，+0.59）一致，故按提交档保留。型内分位数门（−0.36）与 varfix（−0.36）判阴，默认关闭。四组分变化：expression_change +1.24、cell_state +0.03、local_spatial −0.05、shape_scale +0.00。+结论（如实）：机制方向正确——λ 从 0.15→0.4 单调升、峰在 λ≈0.4、CV 显著下降、clamp≤0.03 时 shape 不动；但**净增益 +0.027 board / +0.13 local，全部低于 0.5 的噪声门，判为弱阳性**。k=7 的 local 最高（58.23）但 shape_scale 一致掉 0.1，净分更低；clamp>0.03 伤 shape（大位移改变 occupancy/d2_shape），判阴。栈是 local_spatial 的主导伪影但打散它对 A 半分数几乎无感，提示 local_spatial 的余量不在融合尖峰上。  ## 验证过 / 未验证 -- 验证过：关闭态与父 17 输出逐位一致；seed 0 与 seed 1 均跑通、`vec-check` ok（17616 细胞、500 基因、无 NaN/Inf、`spatial_3D` 有限）；运行 ~2 s、内存与父同量级；提交档输出与查分用的 `b28q08cellp15` 预测 `array_equal`。-- 未验证：final 视图（31 个共有型、融合覆盖率约为 proxy 12.9% 的 3 倍）上 β_base=2.8 + p=1.5 是否过冲——β/q 都是在低覆盖率 proxy 上选的，父 17 的教训提示 final 上更保守可能更好；本次 +0.30 在 A/B 半之间的 0.4 量级抖动内，正式分可能持平或略降；`gate=type` 与 `cell` β 的组合、`min_type_cells` 敏感性、hi clamp 与 q 的联合网格未扫。+- 验证过：seed 0 两次运行逐位一致；seed 0/1 均通过 `vec-check`（17616 细胞、500 基因、无 NaN、spatial_3D 有限）；off 对照与父 20 逐位一致；提交档输出与查分的 `lam0.4` 预测 array_equal；运行 ~2 s、内存与父同量级；RMS 复原差 <1e-9。+- 未验证：final 视图（31 个共有型、栈结构可能不同）上 λ=0.4 是否仍是峰——λ 曲线在 0.3–0.6 之间平坦（±0.01），风险小；DENS_SCALE=rms 档、去栈幅度与梯度幅度分离的双 λ、以及「融合时直接散布而非事后均衡」（从源头避免栈）未试。  ## 生物学知识来源 -无新增外部知识：只用了「同一细胞型的细胞在相邻阶段的表达差异幅度可作为该细胞需要多少外推的代理量」这一泛用假设，不依赖任何保留阶段/保留基因型的测量、比例、标记基因或形态信息；未使用 `external/`、`prior/`。+无新增外部知识：只用了「同一细胞型在相邻阶段的细胞应占据连续、无重叠的组织空间」这一泛用空间假设；密度均衡是纯几何操作，不依赖任何保留阶段/保留基因型的测量、比例、标记基因或形态信息；未使用 `external/`、`prior/`。diff --git a/solution/dens_eq.py b/solution/dens_eq.pynew file mode 100644index 0000000..2570694--- /dev/null+++ b/solution/dens_eq.py@@ -0,0 +1,142 @@+"""Within-type local density equalization displacement (T2HI-04, RMS-preserving).++After the NN coordinate fusion, cells in over-dense local regions are pushed+along the local density gradient toward under-dense regions and vice versa.+The fused cloud contains exact coordinate duplicates (stacks) where several+b-side cells were snapped onto the same a-side neighbour; a stack is an+infinite-density spike, so duplicate groups are treated as point masses with+weight = multiplicity:++  d_k(g)  = mean distance from group g to its k nearest DISTINCT positions+            (0 for stacks of size m >= 2 -> rho = inf -> dev = +1)+  grad(g) = sum_j m_j * (pos_g - pos_j) / ||pos_g - pos_j||^2   (k nearest+            distinct groups, points toward decreasing density)+  delta_i = lam * scale * [ normalize(grad(g_i)) * dev_i+            + u_i * (1 - 1/m_i) ]        (u_i: deterministic pseudo-random+            unit vector, only for cells inside a stack, breaks the stack+            apart instead of translating it coherently)+  dev_i   = clip((rho_i - rho_med)/rho_med, -1, 1),  rho = 1/d_k+  scale   = per-type median positive d_k (DENS_SCALE=nn) or cloud RMS (=rms)+  ||delta_i|| <= clamp * RMS_cloud++Only cells of shared types (types that had fused b-side cells) are moved.+After the displacement the whole cloud is re-centred and rescaled so the+global RMS is exactly the pre-displacement value (shape_scale untouched).+lam = 0 skips everything -> bit-identical output (mechanism-off control).+"""++from __future__ import annotations++import zlib++import numpy as np+from scipy.spatial import cKDTree++from src.task2_spatial.frame import rms_radius, scale_to_rms+++def _random_units(n: int, lab: str) -> np.ndarray:+    rng = np.random.default_rng(zlib.crc32(lab.encode("utf-8")))+    u = rng.normal(size=(n, 3))+    u /= np.linalg.norm(u, axis=1)[:, None] + 1e-12+    return u+++def density_eq(coords: np.ndarray, labels_pick: np.ndarray, shared_types,+               lam: float, k: int = 5, clamp: float = 0.03,+               scale_mode: str = "nn") -> dict:+    diag: dict = {"lam": float(lam), "k": int(k), "clamp": float(clamp),+                  "scale_mode": str(scale_mode), "n_types": 0, "n_moved": 0,+                  "cv_before": 0.0, "cv_after": 0.0,+                  "disp_med": 0.0, "disp_p95": 0.0, "disp_ratio_med": 0.0,+                  "rms_before": 0.0, "rms_after": 0.0,+                  "grad_cos_med": 0.0, "types": {}}+    if float(lam) == 0.0 or not shared_types:+        return diag+    rms0 = rms_radius(coords)+    diag["rms_before"] = rms0+    max_step = float(clamp) * rms0+    labels_pick = np.asarray(labels_pick).astype(str)+    cvs_b, cvs_a, disp_norms, ratios, gcos = [], [], [], [], []+    for lab in sorted(shared_types):+        rows = np.flatnonzero(labels_pick == lab)+        if rows.size < k + 2:+            continue+        pos = coords[rows].astype(np.float64)+        upos, uinv, umult = np.unique(np.round(pos, 6), axis=0,+                                      return_inverse=True, return_counts=True)+        nu = len(upos)+        if nu < 2:+            continue+        kk = min(k, nu - 1)+        tree = cKDTree(upos)+        dist, idx = tree.query(upos, k=kk + 1)+        dist = dist[:, 1:]+        idx = idx[:, 1:]+        w = umult[idx].astype(np.float64)+        d_k = dist.mean(axis=1)+        rho = 1.0 / (d_k + 1e-9)+        rho_med = float(np.median(rho))+        diff = upos[:, None, :] - upos[idx]                     # (nu, kk, 3)+        d2 = (dist ** 2)[..., None] + 1e-12+        grad = (w[..., None] * diff / d2).sum(axis=1)           # away from masses+        gn = np.linalg.norm(grad, axis=1)+        unit = np.zeros_like(grad)+        ok = gn > 1e-12+        unit[ok] = grad[ok] / gn[ok, None]+        dev = np.clip((rho - rho_med) / (rho_med + 1e-12), -1.0, 1.0)+        pos_dk = d_k[d_k > 0]+        scale = float(np.median(pos_dk)) if pos_dk.size else rms0+        if scale_mode != "nn":+            scale = rms0+        # per-group displacement, then de-stack term per cell+        gdelta = float(lam) * scale * unit * dev[:, None]+        delta = gdelta[uinv].copy()+        m = umult[uinv].astype(np.float64)+        stacked = m >= 2+        if stacked.any():+            u = _random_units(int(stacked.sum()), lab)+            delta[stacked] += (float(lam) * scale * (1.0 - 1.0 / m[stacked])[:, None]) * u+        dn = np.linalg.norm(delta, axis=1)+        over = dn > max_step+        if over.any():+            delta[over] *= (max_step / dn[over])[:, None]+            dn[over] = max_step+        coords[rows] = pos + delta+        # diagnostics: per-cell kNN CV before/after, direction diversity+        tree2 = cKDTree(coords[rows].astype(np.float64))+        dist2, _ = tree2.query(coords[rows].astype(np.float64), k=k + 1)+        dk2 = dist2[:, 1:].mean(axis=1)+        # before-CV on the original per-cell cloud+        tree0 = cKDTree(pos)+        dist0, _ = tree0.query(pos, k=k + 1)+        dk0 = dist0[:, 1:].mean(axis=1)+        cvs_b.append(float(dk0.std() / (dk0.mean() + 1e-12)))+        cvs_a.append(float(dk2.std() / (dk2.mean() + 1e-12)))+        cell_unit = unit[uinv]+        sel = np.linalg.norm(cell_unit, axis=1) > 0+        disp_norms.append(dn)+        ratios.append(float(np.median(dn) / (scale + 1e-12)))+        if sel.sum() >= 4:+            sub = cell_unit[sel][:: max(1, int(sel.sum()) // 200)]+            c = sub @ sub.T+            iu = np.triu_indices(len(sub), 1)+            gcos.append(float(np.median(np.abs(c[iu]))))+        diag["types"][lab] = {"n": int(rows.size), "n_stacks": int(stacked.sum()),+                              "max_stack": int(umult.max()),+                              "d_med_scale": scale,+                              "disp_med": float(np.median(dn)),+                              "cv_before": cvs_b[-1], "cv_after": cvs_a[-1]}+        diag["n_types"] += 1+        diag["n_moved"] += int(rows.size)+    if diag["n_types"]:+        all_dn = np.concatenate(disp_norms)+        diag["cv_before"] = float(np.mean(cvs_b))+        diag["cv_after"] = float(np.mean(cvs_a))+        diag["disp_med"] = float(np.median(all_dn))+        diag["disp_p95"] = float(np.quantile(all_dn, 0.95))+        diag["disp_ratio_med"] = float(np.mean(ratios))+        diag["grad_cos_med"] = float(np.mean(gcos)) if gcos else 0.0+        coords[:] = scale_to_rms(coords, rms0)+    diag["rms_after"] = rms_radius(coords)+    return diagdiff --git a/solution/nn_fuse.py b/solution/nn_fuse.pyindex ebed8a6..61ed7ce 100644--- a/solution/nn_fuse.py+++ b/solution/nn_fuse.py@@ -20,6 +20,7 @@ from src.task2_spatial.frame import align_pair, log_interp, rms_radius, scale_to from src.task2_spatial.methods import _jitter, _limits, _pack_expr from src.task2_spatial.transport import as_dense +from dens_eq import density_eq from expr_reanchor import apply_reanchor from spatial_mix import spatial_mix_indices from spread_match import type_spread_match@@ -218,7 +219,9 @@ def interpolate_fuse(stage_a, stage_b, t: float, params: dict,                      beta_adapt: bool = False, beta_p: float = 1.0,                      beta_lo: float = 1.2, beta_hi: float = 3.5,                      min_type_cells: int = 10, gate_mode: str = "global",-                     beta_mode: str = ""):+                     beta_mode: str = "",+                     dens_lam: float = 0.0, dens_k: int = 5, dens_clamp: float = 0.03,+                     dens_scale: str = "nn"):     t = float(t)     damp = float(params.get("scale_damp", 1.0))     align = str(params.get("align", "procrustes"))@@ -262,6 +265,8 @@ def interpolate_fuse(stage_a, stage_b, t: float, params: dict,                    min_type_cells=int(min_type_cells), gate_mode=str(gate_mode),                    beta_mode=str(beta_mode))     fused_rows_by_type = diag.pop("fused_rows_by_type", {})+    dens_diag = density_eq(coords, labels_pick, list(fused_rows_by_type),+                           float(dens_lam), int(dens_k), float(dens_clamp), str(dens_scale))     ref_means = ref_means or {}     gate = {"ref_types": sorted(ref_means), "fused_types": sorted(fused_rows_by_type),             "anchor_types": sorted(set(fused_rows_by_type) & set(ref_means)),@@ -311,5 +316,7 @@ def interpolate_fuse(stage_a, stage_b, t: float, params: dict,         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", {}),+        dens_lam=float(dens_lam), dens_k=int(dens_k), dens_clamp=float(dens_clamp),+        dens_scale=str(dens_scale), dens_diag=dens_diag,     )     return expr, coords.astype(np.float32), infodiff --git a/solution/run.py b/solution/run.pyindex 434d381..0d980d1 100644--- a/solution/run.py+++ b/solution/run.py@@ -61,6 +61,11 @@ EXPR_BETA_HI = float(os.environ.get("EXPR_BETA_HI", "3.5")) EXPR_BETA_MIN_TYPE_CELLS = int(os.environ.get("EXPR_BETA_MIN_TYPE_CELLS", "10")) EXPR_GATE_MODE = os.environ.get("EXPR_GATE_MODE", "global") EXPR_BETA_MODE = os.environ.get("EXPR_BETA_MODE", "cell")+DENS_EQ = os.environ.get("DENS_EQ", "1") != "0"+DENS_LAM = float(os.environ.get("DENS_LAM", "0.4"))+DENS_K = int(os.environ.get("DENS_K", "5"))+DENS_CLAMP = float(os.environ.get("DENS_CLAMP", "0.03"))+DENS_SCALE = os.environ.get("DENS_SCALE", "nn")   def main() -> None:@@ -107,7 +112,10 @@ def main() -> None:                                               beta_hi=EXPR_BETA_HI,                                               min_type_cells=EXPR_BETA_MIN_TYPE_CELLS,                                               gate_mode=EXPR_GATE_MODE,-                                              beta_mode=EXPR_BETA_MODE)+                                              beta_mode=EXPR_BETA_MODE,+                                              dens_lam=DENS_LAM if DENS_EQ else 0.0,+                                              dens_k=DENS_K, dens_clamp=DENS_CLAMP,+                                              dens_scale=DENS_SCALE)         if ref_diag:             info["ref_diag"] = ref_diag     elif SPATIAL_STRATIFY:@@ -124,6 +132,8 @@ def main() -> None:         print(json.dumps(info.get("beta_types", {}), default=float), file=sys.stderr)     if os.environ.get("FUSE_DIAG"):         print(json.dumps(info.get("fuse_types", {}), default=float), file=sys.stderr)+    if os.environ.get("DENS_DIAG"):+        print(json.dumps({"dens": info.get("dens_diag", {})}, default=float), file=sys.stderr)     write_t2(args.out, expr, 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

**做了什么**：在父 20 的 NN 融合底座上实现 PLAN 的型内密度均衡位移（`dens_eq.py`）。诊断发现融合产生极端密度尖峰——33–77% 细胞处于完全重复的坐标栈（最大 146 细胞/点），朴素 kNN 密度失效，故把重复组合并为质量点（加权梯度）并加确定性去栈项；位移后全局 RMS 精确复原（差 <1e-9），shape_scale 四档指标不动。off 对照（λ=0）与父 20 逐位一致。

**查分**（A 半，15/20 次）：λ 网格 0.05–1.0 单峰，峰在 λ=0.4/k=5/clamp=0.03：**61.594**（local_spatial 58.09→58.22，expr/state 逐位不变，shape −0.02）vs 基线 61.567。净增益 +0.027，低于 0.5 噪声门，如实判**弱阳性**；CV 1.49→1.26 证明机制生效。k=7 local 更高但伤 shape；clamp>0.03 判阴。提交 λ=0.4 档，seed 0/1 均过 vec-check，确定性验证通过。

**下一步**：坐标栈对 local_spatial 几乎无感，说明该组余量不在融合尖峰上；建议转向源头——融合时把 b 细胞散布到 a 近邻周围（而非精确吸附，可能同时利好 local 与 occupancy），或按父节点建议回 expression 侧在 final 括号上重选 β_base/p。

调研员

{
  "name": "NN融合后型内局部密度均衡位移（RMS守恒）改善local_spatial",
  "motivation": "父节点20 local_spatial=58.46 是四组中改善余量最大的（ANALYSIS明确指出），且shape_scale所有尝试（径向匹配、异速缩放、形状插值）均证伪。NN融合α=1.0将b细胞硬吸附到单个a侧最近邻，可在局部产生密度尖峰（多个b细胞映射到同一a邻域）和密度空洞，这是可解释的结构问题。节点11随机弥散、节点17径向尺度匹配、节点9形状插值均已排除，但定向的密度梯度均衡位移从未试过。",
  "approach": "在nn_fuse.py的坐标融合之后、写出之前新增一个密度均衡步骤（DENSITY_EQ=1）：\n1. 对每个共有型的融合后细胞（a侧原始+被融合的b侧），用cKDTree计算同型k近邻平均距离 d_k(i)（k=5）作为局部密度代理（密度∝1/d_k）。\n2. 计算密度梯度方向：对每个细胞i，梯度方向 = Σ_j (pos_i - pos_j)/||pos_i-pos_j||² 对k近邻求和（指向密度降低方向）。\n3. 位移 δ_i = λ · normalize(gradient_i) · clip((ρ_i - ρ_median)/ρ_median, -1, 1)，其中ρ_i=1/d_k(i)，λ为强度参数。\n4. 位移幅度硬钳：||δ_i|| ≤ DENS_CLAMP × RMS_cloud（初值0.03，搜索{0.02,0.03,0.05}）。\n5. 位移后对整个坐标云做质心归零+RMS恢复（乘标量使RMS与位移前完全相同），保证shape_scale不受影响。\n6. 只对共有型细胞执行，非共有型不动。\n关键参数初值：DENS_K=5, DENS_LAM=0.1, DENS_CLAMP=0.03；搜索范围 DENS_LAM∈{0.05,0.1,0.15,0.2,0.3}, DENS_K∈{3,5,7}, DENS_CLAMP∈{0.02,0.03,0.05}。用vec-score先跑DENS_LAM的5个点（其余默认），选local_spatial最高且不伤shape_scale的，再微调K和CLAMP（总额度≤12次查分）。单输入阶段（b is None）走原有read_stage退路，本模块不执行。",
  "expected_groups": ["local_spatial"],
  "risks": "1) 密度梯度位移量太小（λ×clamp < 细胞间典型距离的5%），对local_spatial评分无感——Engineer应在第一次查分前打印位移中位数与同型NN距离中位数的比值，若<5%则直接加大λ或clamp；2) 过度均衡反而破坏真实局部结构（地面真值本身密度不均），表现为local_spatial反降——若λ=0.1已降分则判阴停止；3) RMS恢复步骤引入微小浮点差异导致shape_scale噪声波动——用array_equal验证DENS_LAM=0时输出与父节点逐位一致。",
  "family_id": "T2HI-04",
  "mechanism": "NN融合后按型内k-NN密度梯度做定向小位移，将过密区域的细胞推向欠密区域，均衡局部密度场，同时严格保持全局RMS不变。",
  "vs_constant_shift": "常数位移对所有细胞施加相同向量，不依赖局部密度也不改变密度分布；本机制是逐细胞、方向由局部密度梯度决定、幅度由密度偏差决定的非线性位移，直接改变局部密度场。",
  "mechanism_evidence": "Engineer应输出：(1) 位移前后型内密度变异系数（std/mean of d_k）的变化——若均衡有效，CV应下降；(2) 位移向量的中位数和p95（确认非零且方向多样，不是单方向平移）；(3) 全局RMS位移前后差异<1e-10；(4) local_spatial子分变化，同时确认shape_scale和expression_change不变（表达矩阵未动）。",
  "mechanism_off_control": "DENS_LAM=0（或DENS_EQ=0）时整个密度均衡步骤被跳过，输出应与父节点20逐位一致（array_equal）。Engineer在提交前必须验证此对照。预期差别：开启后local_spatial提升0.5-1.5分，其余三组不变。"
}

审查员

REVIEW.json written