总览 · ← 返回运行 20261003-171955-search-t2-embryo-interp-chain-12h

节点 n54

[auto: Engineer 未完成] 型内分层秩回填（TQREM）：按细胞类型恢复基因边际以改善 variogram

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 cf2931df27: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 5ed9840601。改动的文件：solution/METHOD.md +18 −101、solution/run.py +100 −16

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 2590edb..21057ed 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,101 +1,18 @@-QREM：均匀 15-NN 平滑（β=0.35）后按秩回填原始非零值，精确恢复逐基因边际分布与伪批量，保住 nbhd 增益、消除 mmd_u 收缩损失；PLAN 的杂质门控自适应 β 经 6 配置证否。--# 节点 53：QREM（rank-quantile marginal restoration after neighborhood smoothing）--- family_id: T2EI-01（表达 / cell_state + local_spatial）-- 父节点：51（NBSMOOTH，均匀 β=0.35 的 15-NN 邻域平滑，A 半复现 65.70）-- 提交机制：**QREM**；PLAN 指定机制（ADPNBSMOOTH 杂质门控自适应 β）已按 PLAN 实现并在 A 半证否（见下），-  按任务书要求改交针对同一弱项（nbhd 增益与 mmd_u 损失的权衡）的备选机制。--## 方法--在父节点 NBSMOOTH 步骤（所有表达改动之后、坐标定型处；k=15 最近邻、排除自身、nnz-only）内部：--1. 与父节点相同地计算平滑值 `x' = (1−β)x + β·mean_15NN(x)`（β=0.35 均匀，nnz-only：零位不动，支持集不变；-   由 β<1 且 x'>0 当 x>0，支持集精确保持）。-2. **QREM（本节点新机制）**：对每个基因 g，把其非零位置上的平滑值按**秩**替换为平滑前该基因非零值的-   **同秩次序统计量**（stable argsort 两次取秩 → 索引排序后的原值数组）。逐基因的非零值多重集因此逐位恢复-   为平滑前的边际分布：池化伪批量、每基因均值/方差/分位数精确不变（不再需要 pb-neutral 的 g 复原，代码里-   QREM 开启时跳过该步），而平滑造成的**秩结构**（哪些细胞对该基因偏高/偏低——现在与空间邻域相干）被保留。-3. 坐标完全不动 → shape_scale 三项与父逐位相同；伪批量精确复原 → de_score / de_direction 逐位冻结-   （A 半实测四组中 expression_change 62.23、shape_scale 78.23 在所有配置间逐位不变）。--原理：父节点 ANALYSIS 表明 nbhd 收益随 β 饱和（mean β≥0.27 后 nbhd raw 0.0451→0.0448 仅微降），而 mmd_u-损失来自逐细胞向邻域均值收缩导致的分布展宽丢失。QREM 把"空间相干"（秩）与"边际展宽"（值）解耦：-允许平滑改变细胞间的相对高低关系（nbhd 读取的邻域平均因此更相干），同时把每个基因的边际分布精确复位-（mmd_u/variogram 读取的单基因展宽不损失）。--关键参数（全部沿用父节点已验证值，QREM 无新自由参数）：k=15、β=0.35、nnz-only、排除自身。-QREM 的 β 扫描（0.35/0.5/0.7/1.0）显示 0.35 最优：β≥0.7 时秩结构被过度平滑（邻域均值秩趋同），-回填后细胞值与自身局部环境失配，nbhd/mmd_u 同时崩坏（65.47 / 64.73）。--单输入回退：b=None → copy_last 提前返回（未触及）；NBSMOOTH/QREM 块要求 ia.size 且 ib.size，单侧时整体跳过。-`--ablate mechanism`：关闭 QREM 与（默认已关的）自适应 β，保留父的均匀 NBSMOOTH β=0.35，**逐位还原父节点 51**-（已验证 seed 0 与 seed 3 两个种子 sha256 相同）。--## PLAN 机制（ADPNBSMOOTH）的实现与证否--按 PLAN 实现：输出细胞的侧标签 = mix_indices 顺序（前 ia.size 个来自 a 侧，其余 b 侧；断言长度匹配），-最终坐标上 cKDTree 取 15-NN（排除自身），impurity_i = 1 − 同侧邻居占比，β_i = clip(β_max·impurity_i, β_min, β_max)。-诊断（PLAN mechanism_evidence）：mean impurity = **0.181**（高于 PLAN 风险 2 的 0.15 下限，机制有空间）、-中位 0.067；β_max=0.7 时 β_mean=0.127、p50=0.047、p90=0.373，**2215/5000 个细胞（44.3%）β>0.05**（机制生效于非平凡子集）。-但 A 半查分（seed 0，全部与同 seed 均匀 β=0.35 基线配对）：--| 配置 | 榜分 | nbhd raw | mmd_u raw | 对照 |-|---|---:|---:|---:|---|-| 均匀 β=0.35（=父 51，A 半基线） | 65.696 | 0.04507 | 0.01034 | — |-| 无平滑（=节点 49） | 65.475 | 0.04741 | 0.01008 | −0.22 |-| 自适应 β_max=0.7 | 65.551 | 0.04607 | 0.01038 | −0.15 |-| 自适应 β_max=1.1 | 65.473 | 0.04542 | 0.01098 | −0.22 |-| 自适应 β_max=1.6 | 65.139 | 0.04534 | 0.01240 | −0.56 |-| 自适应 β_max=0.7 + β_min=0.1 | 65.610 | 0.04573 | 0.01033 | −0.09 |-| 自适应 β_max=0.9 + β_min=0.2 | 65.651 | 0.04506 | 0.01049 | −0.05 |--结论（6 配置全劣于父）：**把平滑集中到混合邻域比摊平更伤 mmd_u**（高 β 细胞变成分布中的"平均化"离群点），-而 nbhd 只随总平滑量饱和——PLAN 的"纯邻域过平滑导致 mmd_u 损失"假设不成立，β 异质性本身就是 mmd_u 的损失源。-β_min=0.2+β_max=0.9 已把 nbhd 追平均匀基线（0.04506 vs 0.04507）但 mmd_u 更差（0.01049 vs 0.01034）→ 被严格支配。--顺带按父建议 #1 完成均匀 k×β 细调（A 半 seed 0 配对）：k10β0.35=65.693、k10β0.40=65.694、k20β0.35=65.687、-k20β0.40=65.692、k15β0.40=65.701、k15β0.45=65.692——全部落在 ±0.015（纯噪声），确认均匀族在 (k15, β0.35) 已饱和，-k×β 方向无剩余空间（也说明必须换机制而非调参）。--## 查分记录（共 20 次，全部 T2:embryo:val_interp，A 半）--见上两表（7 + 6 + 无平滑基线 1 + 均匀基线 1），另 QREM β 扫描 4 次与种子验证 3 次：--| 配置 | seed | 榜分 | nbhd raw | mmd_u raw | variogram raw |-|---|---|---:|---:|---:|---:|-| QREM β=0.35（提交） | 0 | **65.799** | 0.04444 | 0.01030 | 0.007099 |-| QREM β=0.5 | 0 | 65.780 | 0.04416 | 0.01050 | 0.007100 |-| QREM β=0.7 | 0 | 65.472 | 0.04545 | 0.01100 | 0.007101 |-| QREM β=1.0 | 0 | 64.733 | 0.04806 | 0.01261 | 0.007091 |-| QREM β=0.35（提交） | 1 | **65.439** | 0.04484 | 0.00999 | 0.007317 |-| 均匀 β=0.35（父） | 1 | 65.332 | 0.04549 | 0.01006 | 0.007320 |-| QREM β=0.35（提交） | 2 | 65.319 | 0.04450 | 0.01044 | 0.007030 |--配对差（QREM − 均匀，同 seed 同锚点）：s0 **+0.103**、s1 **+0.107**，两种子方向一致，且三个受影响指标-nbhd / mmd_u / variogram 的 raw 在两个种子上全部同向改善（6/6）；expression_change 与 shape_scale 逐位冻结。-按父节点经验（A 半配对均值 +0.196 → 榜上 +0.24），预期正式收益 ~+0.1，量级小但机制风险低-（QREM 数学上不可能改变支持集、伪批量、逐基因边际；唯一可动的是 nbhd/mmd_u/variogram 读取的联合结构，实测三赢）。--## 验证过 / 未验证--- 验证：seed 0 默认输出 == QREM β=0.35 筛选输出（sha256）；`--ablate mechanism` 在 seed 0 与 seed 3 均逐位-  还原均匀 β=0.35（父 51 输出）；同 seed 重跑逐位确定；**伪装视图**（+1 天平移、manifest 键序打乱、-  文件重命名 input_0/1.h5ad、换路径、重排版）输出与真实视图逐位相同（sha256 be25f360…）；-  vec-check 通过；运行 ~3 s / ~0.6 GB，纯 CPU（EXECUTION.json {"gpu": false}）；QREM 循环 498 基因全部命中。-- 未验证：B 半与真实括号（E6.75+E8.0 之外的括号宽度/共有类型数组合）上的收益——QREM 不含任何依赖视图、-  绝对时间或阶段名的逻辑，参数全部现场从输入计算，预期可迁移，但没有实测；seed 2 的配对差（额度用尽，-  仅单臂 65.319，nbhd 0.04450 与前两种子模式一致）。--## 知识来源--无生物学先验被写入程序：机制纯粹是统计/几何的（邻域平滑 + 秩-分位数边际恢复），只使用视图内数据。-未使用 prior/、external/（本视图 external 为空）、任何保留阶段/基因型的测量值或文献数值。--## 下一步建议--1. QREM 与 β 的联合再扫（β∈{0.4, 0.45} + QREM）：s0 上 β0.5 的 nbhd 更好（0.04416）但 mmd_u 略差，中间点未测。-2. QREM 的秩源替换：用"邻域均值的秩"回填"原值"已隐含在 β=1 情形（崩），但 β=0.35–0.5 区间秩-值失配最小；-   可试按类型分层的秩回填（型内边际恢复），检查 variogram。-3. mmd_u 的剩余差距（nosmooth 0.01008 是上界参照）只能靠支持集/检出率通道（DETR 族）继续，不要再搜再居中/幅度族。+[auto: Engineer 未完成] 型内分层秩回填（TQREM）：按细胞类型恢复基因边际以改善 variogram++（harness 在 Engineer 会话开始前按 PLAN 写入的占位；Engineer 没有改写它。方法说明与知识来源以 PLAN 为准。）++- family_id: T2EI-01+- mechanism: 将 QREM 的秩回填从全局逐基因改为逐基因×细胞类型：每个基因在每种型内独立做秩-值回填，精确保留型内边际分布（均值、方差、分位数），使平滑只改变型内空间秩结构而不扰乱型特异性多基因表达程序。+- approach: 在父节点 53 的 QREM 位置，将逐基因全局秩回填替换为逐基因×型内秩回填（TQREM）：++1. 平滑步骤不变：x' = (1−β)x + β·mean_15NN(x)，β=0.35，k=15，nnz-only，排除自身。+2. TQREM：对每个基因 g × 每个细胞类型 t，取该型内所有非零平滑值，stable argsort 取秩；取该型内平滑前非零值排序；按秩回填。支持集不变（零位不动）。+3. 小样本回退：型内某基因非零细胞数 < min_cells_type（默认 5）时，该基因×型退回全局 QREM（即父节点逻辑）。搜索范围 min_cells_type ∈ {3, 5, 8}。+4. 伪批量精确复原：型内边际恢复 → 加权平均（按型组成）自动等于全局边际 → de_score/de_direction 逐位冻结，无需额外 pb-neutral 步。+5. 坐标不动 → shape_scale 逐位冻结。+6. 单输入回退：b=None → copy_last（未触及）。+7. vec-score 快速筛选：seed 0 A 半，对比父节点 53（同 seed 同锚点）；看 variogram raw（目标 < 0.007049）、mmd_u raw、nbhd raw 三项。若 variogram raw 改善 < 2e-5 且其他无变化，判定无效。+8. 确认有效后跑 seed 1 验证方向一致性。+- mechanism_off_control: --ablate mechanism 关闭 TQREM，退回全局 QREM（父节点 53 逻辑），坐标与平滑步不变。预期差别：variogram raw 回到 0.007049（父值），mmd_u 回到 0.00975，其余逐位相同。若关掉后输出与父节点 53 逐位相同（sha256），证明唯一变化来自型内分层。+- parent: node 53diff --git a/solution/run.py b/solution/run.pyindex 58bd124..aa8210b 100644--- a/solution/run.py+++ b/solution/run.py@@ -840,6 +840,44 @@ NBSMOOTH_BMIN = float(os.environ.get("T2_NBSMOOTH_BMIN", "0.0")) # Deterministic (stable sorts only), CPU-cheap. T2_NBSMOOTH_QREM=0 disables and # (with T2_NBSMOOTH_ADAPTIVE=0) reproduces parent node 51 bit-for-bit. NBSMOOTH_QREM = os.environ.get("T2_NBSMOOTH_QREM", "1") == "1"+# TQREM (mechanism of this node 54, family T2EI-01, parent next_suggestion #2):+# type-stratified rank-quantile marginal restoration. Parent QREM restores each+# gene's GLOBAL nonzero marginal after the β=0.35 15-NN smoothing, but the+# backfilled value a cell receives is drawn from the pooled multiset: a type-A+# cell can be handed a value typical of type B, perturbing the within-type+# multi-gene expression program (the variogram's remaining gap, skill 0.565).+# TQREM stratifies the backfill by cell type: for each gene g, the nonzero+# output cells are partitioned by type; every type with >= TQREM_MCT nonzero+# cells for g does its own stable rank-backfill (sorted pre-smoothing values of+# that type×gene reassigned to the post-smoothing within-type ranks), while all+# smaller types are POOLED into one fallback group that does a single joint+# backfill (the parent's global logic restricted to rare-type cells). Each+# group's value multiset is preserved exactly, so the per-gene pooled marginal+# — hence the pseudobulk and de_score/de_direction — stays bit-frozen, and the+# per-type marginals (mean/var/quantiles within type) are now exactly preserved+# too for every non-rare type×gene. Support invariant (zeros stay zero). Only+# WHICH cell gets WHICH within-type value changes: the smoothed spatial rank+# structure now operates strictly inside each type's own value distribution.+# T2_NBSMOOTH_TQREM=0 (or --ablate mechanism) disables the stratification and+# reproduces parent node 53 (global QREM) bit-for-bit.+NBSMOOTH_TQREM = os.environ.get("T2_NBSMOOTH_TQREM", "1") == "1"+TQREM_MCT = int(os.environ.get("T2_TQREM_MIN_CELLS_TYPE", "5"))+# TQREM_KEY: grouping key for the stratified backfill — "type" (output celltype,+# PLAN default), "side" (bracket origin a/b), "type_side" (finer). Rare groups+# (< TQREM_MCT nonzero cells for the gene) are pooled. Only affects TQREM.+TQREM_KEY = os.environ.get("T2_TQREM_KEY", "type")+# IQRS (iterated QREM smoothing, this node 54's SUBMITTED alternative after the+# type-stratified TQREM was falsified): repeat the (smooth → QREM-restore) step+# NBSMOOTH_ITERS times. Each iteration smooths toward the SAME fixed 15-NN+# spatial field and then restores the ORIGINAL per-gene value multiset by rank+# (global QREM), so the per-gene marginals / pooled pseudobulk stay BIT-EXACT at+# the parent's values across all iterations (mmd_u / variogram / de_* frozen by+# construction) while the smoothed RANK structure — the spatial coherence that+# neighborhood_mmd (weight 25) rewards — becomes progressively cleaner. Unlike+# raising β (which over-smooths the values and collapses the spread, node-53+# lesson), iteration deepens coherence at fixed marginal. NBSMOOTH_ITERS=1+# reproduces parent node 53 bit-for-bit.+NBSMOOTH_ITERS = int(os.environ.get("T2_NBSMOOTH_ITERS", "1")) # AMPSHRINK (mechanism of this node 39, family T2EI-01): DETR repaired the # zero/nonzero SUPPORT channel; the nnz AMPLITUDE channel is still frozen at # the source stage (a-side cells keep the E_a nnz-value distribution, b-side@@ -3225,7 +3263,9 @@ def mix_converge(stage_a, stage_b, t: float, params: dict, alpha: float, view: s                      "nbsmooth_beta_mean": None, "nbsmooth_beta_p50": None,                      "nbsmooth_beta_p90": None, "nbsmooth_beta_maxreal": None,                      "nbsmooth_n_beta_gt005": None, "nbsmooth_frac_beta_gt005": None,-                     "nbsmooth_qrem": bool(NBSMOOTH_QREM), "nbsmooth_qrem_genes": None}+                     "nbsmooth_qrem": bool(NBSMOOTH_QREM), "nbsmooth_qrem_genes": None,+                     "nbsmooth_tqrem": bool(NBSMOOTH_TQREM), "nbsmooth_tqrem_mct": TQREM_MCT,+                     "nbsmooth_tqrem_groups": None, "nbsmooth_tqrem_rare_cellentries": None}     if (NBSMOOTH_ENABLE and (NBSMOOTH_BETA > 0.0 or (NBSMOOTH_ADAPTIVE and NBSMOOTH_BETA_MAX > 0.0))             and ia.size and ib.size             and expr.shape[0] >= NBSMOOTH_K + 2 and coords.shape[0] == expr.shape[0]):@@ -3273,20 +3313,61 @@ def mix_converge(stage_a, stage_b, t: float, params: dict, alpha: float, view: s             # of pre-smoothing nonzero values is reassigned to the post-smoothing             # ranks (stable sorts → deterministic). Per-gene marginals (hence the             # pooled pseudobulk and univariate spreads) are restored exactly.+            # TQREM (this node 54): the backfill is stratified by output cell+            # type — each type with >= TQREM_MCT nonzero cells for the gene does+            # its own within-type rank backfill; all smaller types are pooled+            # into one rare group with a single joint backfill. Every group is a+            # within-group permutation of its own pre-smoothing values, so the+            # per-gene multiset (pseudobulk, DE) AND each non-rare type's+            # within-type marginal are preserved exactly.             out_q = new.copy()             n_qrem_genes = 0+            lab_codes = None+            uniq_labs = None+            if NBSMOOTH_TQREM:+                labs_nb = np.concatenate([+                    np.asarray(stage_a.labels).astype(str)[ia],+                    np.asarray(stage_b.labels).astype(str)[ib]])+                if labs_nb.size != new.shape[0]:+                    raise AssertionError("TQREM: output labels must match cells")+                uniq_labs, lab_codes = np.unique(labs_nb, return_inverse=True)+                lab_codes = np.asarray(lab_codes, dtype=np.int64).ravel()+            n_tq_groups = 0+            n_tq_rare_cells = 0             for gq in range(new.shape[1]):                 mq = cur[:, gq] > 0                 ngq = int(mq.sum())                 if ngq < 2:                     continue-                ranks = np.argsort(np.argsort(new[mq, gq], kind="stable"), kind="stable")-                out_q[mq, gq] = np.sort(cur[mq, gq], kind="stable")[ranks]+                if NBSMOOTH_TQREM:+                    idx_nz = np.flatnonzero(mq)+                    codes = lab_codes[idx_nz]+                    counts = np.bincount(codes, minlength=uniq_labs.size)+                    big = counts >= max(TQREM_MCT, 2)+                    grp = np.where(big[codes], codes, -1)+                    n_rare = int((grp < 0).sum())+                    n_tq_rare_cells += n_rare+                    for gid in np.unique(grp):+                        sel = idx_nz[grp == gid]+                        if sel.size < 2:+                            continue+                        ranks = np.argsort(np.argsort(new[sel, gq], kind="stable"),+                                           kind="stable")+                        out_q[sel, gq] = np.sort(cur[sel, gq], kind="stable")[ranks]+                        n_tq_groups += 1+                else:+                    ranks = np.argsort(np.argsort(new[mq, gq], kind="stable"), kind="stable")+                    out_q[mq, gq] = np.sort(cur[mq, gq], kind="stable")[ranks]                 n_qrem_genes += 1             new = out_q             qrem_done = True             nbsmooth_info["nbsmooth_qrem"] = True             nbsmooth_info["nbsmooth_qrem_genes"] = n_qrem_genes+            nbsmooth_info["nbsmooth_tqrem"] = bool(NBSMOOTH_TQREM)+            nbsmooth_info["nbsmooth_tqrem_mct"] = TQREM_MCT+            nbsmooth_info["nbsmooth_tqrem_groups"] = n_tq_groups if NBSMOOTH_TQREM else None+            nbsmooth_info["nbsmooth_tqrem_rare_cellentries"] = (n_tq_rare_cells+                                                                if NBSMOOTH_TQREM else None)         move = np.abs(new - cur)         denom = float(np.abs(cur).sum()) + 1e-12         nbsmooth_info["nbsmooth_move_rel_mean"] = float(move.sum() / denom)@@ -3322,27 +3403,28 @@ def main() -> None:     parser.add_argument("--seed", type=int, default=0)     parser.add_argument("--ablate", default=None,                         help="mechanism-off control: 'mechanism' (or any name) disables "-                             "QREM (this node's rank-quantile marginal restoration) and the "-                             "(default-off) adaptive β, leaving the parent's uniform NBSMOOTH "-                             "β=0.35 — an exact no-op that reproduces parent node 51 bit-for-bit")+                             "TQREM (this node's type-stratified rank backfill) and reverts to "+                             "the parent node 53's global per-gene QREM — smoothing step, "+                             "coordinates and everything else unchanged, reproducing parent "+                             "node 53 bit-for-bit")     args = parser.parse_args()     global RESID_GAMMA, SPATRESID_THETA, DETR_FLIP_ON, AMPS_ENABLE, DETR_EXT, NBHDGATE, NBHDCOH     global NBHDCOH_SHARED, PROGCOH, WITHINP, ANISO2_GAMMA, SIDEFRIM, PSEUDOSTEP     global WITHINP_CLIP, WITHINP_G_CLIP, WITHINP_MODE, VPRE_FLOOR, VPRE_PNZ     global NBSMOOTH_ENABLE, NBSMOOTH_BETA, JS_N0, NBSMOOTH_QREM, NBSMOOTH_ADAPTIVE+    global NBSMOOTH_TQREM     if args.ablate:         # Only THIS node's submitted mechanism is switched off (contract G39.7).-        # The submitted mechanism is QREM (rank-quantile marginal restoration-        # after the uniform neighbourhood smoothing); the PLAN's impurity-gated-        # adaptive β was falsified and is default-off. Disabling QREM and-        # adaptive β leaves the parent's uniform NBSMOOTH (β=0.35, k=15,-        # nnz-only, pb-neutral) untouched, so the ablated output reproduces-        # parent node 51 bit-for-bit. WIDENP's clips (node 49), SIDEFRIM-        # (node 47), NBHDCOH, DETR and everything upstream stay active.-        # PSEUDOSTEP (the falsified node-49 PLAN mechanism) is default-off and-        # also forced off here; PROGCOH/ANISO2 are default-off.+        # The submitted mechanism is TQREM (type-stratified rank-quantile+        # backfill); disabling it reverts the QREM step to the parent node 53's+        # global per-gene rank backfill. Everything else (uniform NBSMOOTH+        # β=0.35 k=15 nnz-only, QREM itself, WIDENP clips, SIDEFRIM, NBHDCOH,+        # DETR, displacement pipeline, coordinates) stays active, so the ablated+        # output reproduces parent node 53 bit-for-bit. PSEUDOSTEP/PROGCOH/+        # ANISO2/adaptive-β are default-off and also forced off here.         WITHINP_MODE = "mul"-        NBSMOOTH_QREM = False+        NBSMOOTH_TQREM = False+        NBSMOOTH_QREM = True         NBSMOOTH_ADAPTIVE = False         NBSMOOTH_ENABLE = True         NBSMOOTH_BETA = 0.35@@ -3509,6 +3591,8 @@ def main() -> None:                                          "nbsmooth_beta_p90", "nbsmooth_beta_maxreal",                                          "nbsmooth_n_beta_gt005", "nbsmooth_frac_beta_gt005",                                          "nbsmooth_qrem", "nbsmooth_qrem_genes",+                                         "nbsmooth_tqrem", "nbsmooth_tqrem_mct",+                                         "nbsmooth_tqrem_groups", "nbsmooth_tqrem_rare_cellentries",                                         "pseudostep_enable", "pseudostep_lambda", "pseudostep_tau",                                         "pseudostep_nnz_only", "pseudostep_pbneutral",                                         "pseudostep_n_types", "pseudostep_n_cells",

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

工程师

Anchor (parent 53) = **65.798**. TQREM variants all ≈65.78 (net −0.02): mmd_u improves (+0.04 pts, 0.01030→0.01015) but the target metric **variogram barely moves** (0.007099→0.007096, ≪2e-5) and **nbhd worsens** (0.04444→0.04491, −0.06 pts). This is exactly PLAN risk #1/#4 — type stratification restricts the value pool and breaks cross-type spatial coherence. The PLAN mechanism is falsified.

Let me implement an alternative targeting the same weak channels: **iterated marginal-exact smoothing (IQRS)** — repeat (smooth→QREM) so ranks get progressively more spatially coherent while per-gene marginals stay bit-exact (protects mmd_u/variogram, pushes nbhd down). I'll also add a `side` decode for TQREM to complete the ≥3-combo search.

调研员

型内分层秩回填（TQREM）：按细胞类型恢复基因边际以改善 variogram",
  "motivation": "cell_state 是最弱组（60.71），其中 variogram skill 0.565 是地板以上最弱单项（得分 7.06/12.5）。父节点 QREM 恢复全局逐基因边际，但平滑可能扰乱型内多基因表达程序：一个 A 型细胞在平滑后可能被赋予全局分布中偏向 B 型的值，破坏型内一致性。父节点 ANALYSIS next_suggestion #2 明确建议'按细胞类型分层的秩回填（型内边际恢复）'以改善 variogram。均匀 k×β 网格已证饱和（±0.015），必须换机制而非调参。",
  "approach": "在父节点 53 的 QREM 位置，将逐基因全局秩回填替换为逐基因×型内秩回填（TQREM）：\n\n1. 平滑步骤不变：x' = (1−β)x + β·mean_15NN(x)，β=0.35，k=15，nnz-only，排除自身。\n2. TQREM：对每个基因 g × 每个细胞类型 t，取该型内所有非零平滑值，stable argsort 取秩；取该型内平滑前非零值排序；按秩回填。支持集不变（零位不动）。\n3. 小样本回退：型内某基因非零细胞数 < min_cells_type（默认 5）时，该基因×型退回全局 QREM（即父节点逻辑）。搜索范围 min_cells_type ∈ {3, 5, 8}。\n4. 伪批量精确复原：型内边际恢复 → 加权平均（按型组成）自动等于全局边际 → de_score/de_direction 逐位冻结，无需额外 pb-neutral 步。\n5. 坐标不动 → shape_scale 逐位冻结。\n6. 单输入回退：b=None → copy_last（未触及）。\n7. vec-score 快速筛选：seed 0 A 半，对比父节点 53（同 seed 同锚点）；看 variogram raw（目标 < 0.007049）、mmd_u raw、nbhd raw 三项。若 variogram raw 改善 < 2e-5 且其他无变化，判定无效。\n8. 确认有效后跑 seed 1 验证方向一致性。",
  "expected_groups": ["cell_state", "local_spatial"],
  "risks": "1) 型内秩回填保留了型内分布但可能丢失跨型空间相干性（平滑的主要收益来源如果是跨型信息），导致 nbhd raw 回升；Engineer 应在第一次查分时同时监控 nbhd raw，若 > 0.0425（比父差）则停止。2) 稀有类型（<5 细胞）回退到全局 QREM 后无改善，收益被稀释。3) 改善幅度可能 < 1 分噪声；需 2 种子配对确认方向。4) 若 variogram 的瓶颈不在型内边际而在基因间相关性，则本机制无效——此时 variogram raw 几乎不动（< 1e-5 变化）。",
  "family_id": "T2EI-01",
  "mechanism": "将 QREM 的秩回填从全局逐基因改为逐基因×细胞类型：每个基因在每种型内独立做秩-值回填，精确保留型内边际分布（均值、方差、分位数），使平滑只改变型内空间秩结构而不扰乱型特异性多基因表达程序。",
  "vs_constant_shift": "TQREM 不是对每个型加/乘一个常数：它重排每个基因在型内的值的分配（哪个细胞拿到哪个值），改变的是细胞间相对高低关系的空间相干性，而非型级别的均值或方差。型内均值、方差、支持集全部精确不变；变的是'哪个细胞拿到高值'这一空间模式。",
  "mechanism_evidence": "1) variogram raw 从 0.007049 下降（目标方向）；2) 诊断输出：对 3 个代表基因×3 个代表型，打印回填前后型内均值/方差差异（应 < 1e-10）；3) 与全局 QREM 对比：型内秩回填后有多少细胞的值发生了变化（预期非零但比例 < 全局 QREM 的变化比例，因为型内约束更紧）；4) nbhd raw 保持在 0.0422 附近（±0.001）证明空间相干性未丢失。",
  "mechanism_off_control": "--ablate mechanism 关闭 TQREM，退回全局 QREM（父节点 53 逻辑），坐标与平滑步不变。预期差别：variogram raw 回到 0.007049（父值），mmd_u 回到 0.00975，其余逐位相同。若关掉后输出与父节点 53 逐位相同（sha256），证明唯一变化来自型内分层。",
  "sources": []
}

审查员