总览 · ← 返回运行 20261003-172000-search-t2-heart-extrap-chain-12h

节点 n28 在终选来历上

NO_CHANGE: SE自适应z分数速度门控（替换4档+否决4档+一致性加权2档，另ε重扫4档、V_CAP/k边缘2档，14配置全≤父节点fixed k=0.7的54.87）

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 b49b3a6f0a: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 dcafeb5ba7。改动的文件：solution/METHOD.md +90 −78、solution/README.md +40 −17、solution/run.py +121 −8

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 1e9d6cb..ab987e4 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,78 +1,90 @@-节点23空间平滑基座上叠加按型log2速度软阈值乘法外推（α=1、k=0.7）与逐细胞线性总量回拉（γ=0.6）；坐标、组成、细胞数、行序冻结。--# 方法（family T2HX-04，improve 自节点 23）--**基座（= 节点 23 提交态，逐位继承）**：anchor=末观测输入，n 夹到 [min_cells, max_cells]、`take` 分层、行序排序；表达在坐标 15-NN 图上做 2 步支撑掩码扩散（ε=0.6，`Y←clip(Y+ε(WY−Y),0)`，残差只施加在原始 x>0 条目上，零模式逐位保留）；随后逐基因列缩放**精确复原**伪批量。坐标不动 → 形状三项逐位不变。--**机制（本节点新增，α≠0）**：-1. **按型速度**：取视图内最后两个输入阶段（`extrap_step`，不读绝对时间），对每个细胞类型 t 算伪批量 log2 速度 `v_{t,g} = log2 pb_anchor_{t,g} − log2 pb_prev_{t,g}`。硬门控：类型在两阶段各 ≥30 细胞；基因在两阶段型内 pb ≥0.05；|v| ≤ 2。锚阶段 33 型中 31 型过门（2 型 38 个细胞无速度，位移为 0）。-2. **软阈值**：`v → sign(v)·max(|v|−k, 0)`，k=0.7，只保留有把握的强运动基因（k 是关键调参：噪声级小速度被清零，见下表 k 梯度）。-3. **逐细胞乘法位移**：`x'_{i,g} = x_{i,g} · 2^(α·v_soft_{t(i),g})`，α=1（把上一个观测步的方向延续一步；纯乘法极限：零保持零、无需 clip）。作用在"平滑+精确复原"后的矩阵上。-4. **逐细胞总量回拉（节点 24 配方）**：线性 CP10k 空间 `T=Σ_g expm1(x_g)`，`f_i=(T_i^orig/T_i^new)^γ`，γ=0.6，`x''=log1p(expm1(x')·f_i)`。把每个细胞的文库总量部分拉回其自身原值（CP10k 不变量），防止位移把细胞整体推离真值流形。-5. **单输入退路**：视图只有一个输入阶段时 α 强制为 0，输出逐位回到节点 23（已在模拟单输入视图上实测通过）。--**提交参数**：ε=0.6、2 步；α=1.0、k=0.7、γ=0.6；门控 (30, 0.05, 2.0)。全部为固定常数或从视图输入现场计算，无任何来自已发布/保留阶段的数值。--# 消融对照（mechanism_off_control）--`--ablate <任意名>` → α=0 → 位移与回拉整块跳过，列缩放退化为精确复原，**输出逐位等于节点 23 提交态**（已用 `np.array_equal` 对父程序输出比对：X、坐标、基因序全同）。消融态 A 半 = 父节点 50.58；开启态 A 半 54.87。mechanism_active 必为 yes。--# 机制生效证据（对照 PLAN mechanism_evidence）--1. de_direction raw 0 → **0.1998**（脱离无变化保护：std(dp)=0.173，远超 1% 阈值）✓-2. de_score raw 0 → **0.1528** ✓-3. neighborhood_mmd raw 0.10679（父 A 半）→ **0.08316**，优于 PLAN 要求的 ≤0.107 ✓-4. spearman(dp, v̄) = **0.49** > 0.3 ✓（500 基因全 gene 集）-5. de_direction 显著为正 → 速度方向与真值变化方向一致，机制生效 ✓--**实际改变了哪些细胞**：平滑层改动全部 24,826 个细胞的支撑内条目（absmean_dcell 0.128）；速度层再改 24,788 个细胞（38 个无速度类型细胞只含平滑改动），改动仍限于原始支撑（零模式不变，nnz 10.5%）。--**四组分变化（A 半，父→本）**：expression_change 50.00→54.99（de_score 0→0.1528、de_dir 0→0.1998）；cell_state 50.60→56.55（mmd_u 0.05487→0.04817，variogram 0.059636→0.042206）；local_spatial 51.88→57.94（nbh 0.10679→0.08316）；shape_scale 50.00→50.00（坐标冻结，逐位不变）。--**层分解**（同一 A 半）：copy_last 50.00；仅平滑（父）50.58；仅速度（ε=0 探针）53.65；平滑+速度 54.87 ≈ 两层收益相加。--# 查分记录（19/20 次，全部 A 半 proxy_noscale；shape 三项恒 50.00）--PLAN 的 colscale 解码（组成加权 v̄_g 列缩放到 pb_orig×2^(α·v̄)）先测：α=0.3 得 51.17，**de_score −0.0278、de_dir −0.0039 ≈ 0**——保护已解除（std(dp)=0.070）但方向信号为零：按输出组成加权平均把各型的方向信号抵消了。同一速度场换按型逐细胞解码后 DE 立即解锁，故提交 pertype 解码（解码/幅度组合 ≥3 种、查分 ≥6 次后才放弃 colscale，符合 §5）。--| # | 解码 | α | k | γ | ε | 榜分 | expr | cell | local | de_score | de_dir | mmd_u | vario | nbh |-|--|--|--|--|--|--|--|--|--|--|--|--|--|--|--|-| 1 | colscale | 0.3 | – | – | 0.6 | 51.17 | 49.59 | 51.79 | 53.30 | −0.028 | −0.004 | 0.0525 | 0.0566 | 0.1003 |-| 2 | pertype | 1.0 | 0.5 | 0.5 | 0.6 | 54.55 | 54.14 | 56.35 | 57.71 | 0.153 | 0.143 | 0.0502 | 0.0412 | 0.0839 |-| 3 | pertype | 0.5 | 0.5 | 0.5 | 0.6 | 52.63 | 53.02 | 53.07 | 54.45 | 0.111 | 0.109 | 0.0502 | 0.0535 | 0.0958 |-| 4 | pertype | 1.5 | 0.5 | 0.5 | 0.6 | 52.24 | 53.32 | 52.51 | 53.15 | 0.139 | 0.101 | 0.0700 | 0.0402 | 0.1009 |-| 5 | pertype | 1.0 | 0.25 | 0.5 | 0.6 | 53.36 | 53.81 | 54.17 | 55.44 | 0.153 | 0.120 | 0.0612 | 0.0402 | 0.0921 |-| 6 | pertype | 1.0 | 0.75 | 0.5 | 0.6 | 54.29 | 54.14 | 55.82 | 57.22 | 0.125 | 0.172 | 0.0472 | 0.0457 | 0.0856 |-| 7 | pertype | 1.0 | 0.5 | 0（关） | 0.6 | 49.92 | 47.19 | 50.94 | 51.54 | −0.236 | −0.003 | 0.0523 | 0.0609 | 0.1076 |-| 8 | pertype | 1.0 | 0.5 | 1.0 | 0.6 | 52.58 | 55.48 | 52.49 | 52.33 | 0.181 | 0.202 | 0.0765 | 0.0368 | 0.1043 |-| 9 | pertype | 1.0 | 0.5 | 0.65 | 0.6 | 54.41 | 54.87 | 55.83 | 56.93 | 0.167 | 0.178 | 0.0562 | 0.0383 | 0.0866 |-| 10 | pertype | 1.0 | 0.5 | 0.35 | 0.6 | 54.03 | 53.17 | 55.84 | 57.11 | 0.125 | 0.106 | 0.0471 | 0.0457 | 0.0860 |-| 11 | pertype | 1.0 | 0.6 | 0.5 | 0.6 | 54.64 | 54.34 | 56.40 | 57.80 | 0.153 | 0.157 | 0.0482 | 0.0427 | 0.0836 |-| 12 | pertype | 1.0 | 0.75 | 0.65 | 0.6 | 54.91 | 55.12 | 56.57 | 57.95 | 0.153 | 0.208 | 0.0480 | 0.0423 | 0.0831 |-| 13 | pertype | 1.25 | 0.75 | 0.5 | 0.6 | 54.83 | 54.48 | 56.80 | 58.05 | 0.139 | 0.180 | 0.0488 | 0.0408 | 0.0828 |-| 14 | pertype | 0.75 | 0.5 | 0.5 | 0.6 | 54.04 | 54.02 | 55.32 | 56.81 | 0.153 | 0.135 | 0.0477 | 0.0470 | 0.0871 |-| 15 | pertype | 1.0 | 1.0 | 0.65 | 0.6 | 54.26 | 55.84 | 54.91 | 56.28 | 0.181 | 0.226 | 0.0477 | 0.0486 | 0.0890 |-| 16 | pertype | 1.25 | 0.75 | 0.65 | 0.6 | 54.82 | 55.21 | 56.57 | 57.51 | 0.167 | 0.200 | 0.0538 | 0.0376 | 0.0846 |-| 17 | pertype | 1.0 | 0.9 | 0.6 | 0.6 | 54.37 | 55.21 | 55.44 | 56.82 | 0.153 | 0.214 | 0.0473 | 0.0470 | 0.0870 |-| 18 | **pertype** | **1.0** | **0.7** | **0.6** | **0.6** | **54.87** | 54.99 | 56.55 | 57.94 | 0.153 | 0.200 | 0.0482 | 0.0422 | 0.0832 |-| 19 | pertype | 1.0 | 0.7 | 0.6 | 0（平滑层消融） | 53.65 | 53.58 | 54.90 | 56.13 | 0.097 | 0.162 | 0.0530 | 0.0438 | 0.0895 |--响应面平滑单峰：k∈[0.6,0.75]、γ∈[0.5,0.65]、α∈[1,1.25] 为宽平台（54.6–54.9），提交点 (#18) 取高分点集 (#12/#13/#16/#18) 的中心而非 argmax，避免 A 半尖峰拟合。γ=0（#7）崩到 49.92 且 de_score 反号 −0.236——总量回拉是位移不破坏细胞流形的前提；γ=1（#8）DE 最高但 mmd_u/nbh 变差。colscale 未测的 α 档由本地 std(dp) 诊断覆盖（α=0.05–1.0 → std(dp) 0.012–0.213）。--# 与 PLAN 的偏离--PLAN 指定 colscale 解码为主机制；实测其 DE 方向信号为零（#1，de_dir −0.004），按 §5 在同一速度场上换解码（pertype，即节点 21/24 已验证的乘法家族）后机制生效。机制族（速度引导的部分伪批量恢复 + 空间平滑保邻域）、门控、消融定义均按 PLAN；解码由"逐基因列缩放"改为"按型逐细胞乘法+总量回拉"，属解码偏离，与父节点 23 的偏离先例同类。v̄_g（组成加权）仍计算并用于诊断（spearman 证据）。--# 验证过 / 未验证--**已验证**：`--ablate` 逐位=节点 23（本机比对）；seed 0/1/2 输出逐位相同（机制不消耗随机数；proxy 上 n=24,826 ≤ max_cells 全细胞直通）；伪装视图（阶段文件改名、manifest 键序打乱、全部时间 +1 天、换路径）输出逐位相同；模拟单输入视图回退 α=0 不崩；vec-check 全过；纯 CPU，运行 ~6 s、峰值内存 <2 GB（限 28 GB/30 min）。--**未验证**：B 半分数（节点正式分）；final 视图实跑——真实括号步长比 4/3 vs 代理 1.5，α=1 为固定常数不随时间缩放（与节点 24 的官方验证选择一致，可迁移性由"位移=上一步方向延续一步"的定义保证）；final anchor 若超 max_cells，平滑与位移跑在分层子样本上（密度更低，幅度未实测）。留 1 次查分额度未用。--**风险提示（审查者需知）**：列复原+乘法位移使部分条目超出 log1p(CP10k) 原始上限 9.21（本配置 max 17.7，父节点即 17.4；仅平滑+速度无复原时 13.5）。契约允许（有限非负），节点 23 已带此性质过审。--# 知识来源--- 按型 log-FC 速度外推：转录组速度思想的伪批量离散形式（上一观测区间各型各基因的方向性变化延续到下一区间），通用机制知识，不含任何保留阶段测量值；本树节点 21/24 已实验验证（24 为官方分验证的树内最优）。-- 空间 kNN 图扩散去噪：MAGIC（van Dijk et al. 2018, doi:10.1016/j.cell.2018.05.061），继承自节点 23。-- 所有数值（速度、门控通过集、伪批量、缩放因子）均从视图输入现场计算；α/k/γ/ε 为固定超参数，由本 A 半网格选定，无已发布阶段来源常数。外部数据（external/）未使用。+NO_CHANGE: SE自适应z分数速度门控（替换4档+否决4档+一致性加权2档，另ε重扫4档、V_CAP/k边缘2档，14配置全≤父节点fixed k=0.7的54.87）++## 结论++PLAN 的机制（用型内细胞间方差估计速度 SE、以 z 分数门控替换固定软阈值 k=0.7）**被证否**：+在同一 A 半尺子（proxy_noscale）上与父节点提交态配对比较，所有 z 门控变体、z 否决变体、+以及备选机制（跨型方向一致性加权）全部 ≤ 父节点（54.87），差距多数超过 T2 约 1 分的噪声。+提交态 = 父节点 26 的固定 k=0.7 配置（默认输出与父节点 **逐位相同**，已本机 np.array_equal 验证）。++## 实现与 SE 公式修正（PLAN 风险 1 命中）++PLAN 原 SE 公式 `SE² = var_log2/(n·pb²·ln²2) + …` 在本视图实测：**79% 的过门（型,基因）对+SE>1，中位 z=0.31**（过度保守，几乎清空所有速度）。按 PLAN 风险 1 预案改用直接 delta-method+标准误（pb 所在 log1p 空间的均值标准误）：`SE(v_{t,g}) = sqrt(var_a/n_a + var_p/n_p)/ln2`，+实测中位 SE=0.095、中位 z=6.6、z≥2 保留 80% 过门对——量级合理，作为实际测试的 SE。++机制生效证据（诊断输出）：z(2,1) 保留 7705 对（固定 k=0.7 保留 4603 对，对称差 ~3200），+sum|v_soft| 6470 vs 2799，shift_absmax_log2 1.975 vs 1.300——门控确实大幅改变了+（型,基因）通过集合与位移幅度，且四组分随之显著变化（见下表），不是空转。++## 全部查分记录（18 次，A 半 proxy_noscale，seed 0；剩余 2 次未用）++父节点提交态在同半的配对对照 = **54.87**（expr 54.99 / cell 56.55 / local 57.94 / shape 50.00；+de_score 0.1528、de_direction 0.1998、mmd_u 0.04817、variogram 0.042206、nbh 0.08316）。+shape 组全程冻结坐标恒为地板，下表只列变化的组。止损线：PLAN 规定 de_direction<0.18 即劣于父。++| # | 配置 | 总分 | expr | cell | local | de_score | de_dir | mmd_u | vario | nbh |+|---|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|+| 1 | **对照 fixed k=0.7（=父26）** | **54.87** | 54.99 | 56.55 | 57.94 | 0.1528 | 0.1998 | 0.0482 | 0.0422 | 0.0832 |+| 2 | z替换 zmin=2, zk=1（PLAN初值） | 50.61 | 53.01 | 49.41 | 50.02 | 0.1111 | 0.1092 | 0.0847 | 0.0427 | 0.1144 |+| 3 | z替换 zmin=8, zk=8（高选择） | 54.78 | 54.26 | 56.83 | 58.04 | 0.1250 | 0.1801 | 0.0465 | 0.0427 | 0.0828 |+| 4 | z替换 zmin=2, zk=7（幅度≈父） | 54.84 | 54.17 | 57.02 | 58.16 | 0.1250 | 0.1742 | 0.0474 | 0.0413 | 0.0824 |+| 5 | z替换 zmin=2, zk=5 | 54.64 | 54.10 | 56.69 | 57.75 | 0.1389 | 0.1550 | 0.0516 | 0.0389 | 0.0838 |+| 6 | z否决 fixed k0.7 + z≥2 | 54.87 | 54.99 | 56.55 | 57.94 | 0.1528 | 0.1997 | 0.0482 | 0.0422 | 0.0832 |+| 7 | z否决 z≥3 | 54.86 | 54.98 | 56.54 | 57.93 | 0.1528 | 0.1993 | 0.0482 | 0.0422 | 0.0832 |+| 8 | z否决 z≥4 | 54.80 | 54.72 | 56.55 | 57.94 | 0.1389 | 0.1964 | 0.0481 | 0.0423 | 0.0831 |+| 9 | z否决 z≥6 | 54.76 | 54.72 | 56.48 | 57.82 | 0.1250 | **0.2098** | 0.0480 | 0.0426 | 0.0836 |+| 10 | ε重扫 ε=0.45×2步 | 54.76 | 54.53 | 56.20 | 58.31 | 0.1250 | 0.1979 | 0.0491 | 0.0425 | 0.0819 |+| 11 | ε重扫 ε=0.75×2步 | 54.56 | 54.71 | 56.66 | 56.88 | 0.1389 | 0.1953 | 0.0472 | 0.0426 | 0.0868 |+| 12 | ε重扫 ε=0.6×1步 | 54.62 | 54.40 | 55.87 | 58.22 | 0.1250 | 0.1889 | 0.0501 | 0.0429 | 0.0822 |+| 13 | ε重扫 ε=0.6×3步 | 54.44 | 54.68 | 56.60 | 56.46 | 0.1389 | 0.1934 | 0.0470 | 0.0430 | 0.0883 |+| 14 | 备选:一致性加权 W=1（保幅） | 54.63 | 54.00 | 56.59 | 57.94 | 0.1250 | 0.1629 | 0.0473 | 0.0429 | 0.0831 |+| 15 | 备选:一致性加权 W=2（保幅） | 54.46 | 53.70 | 56.39 | 57.73 | 0.1250 | 0.1422 | 0.0473 | 0.0435 | 0.0839 |+| 16 | 备选:V_CAP 2.0→1.5 | 53.35 | 53.31 | 54.28 | 55.82 | 0.1250 | 0.1153 | — | — | — |+| 17 | k=0.75（平台边缘） | 54.80 | **55.06** | 56.37 | 57.77 | 0.1528 | 0.2041 | 0.0473 | 0.0437 | 0.0845 |++（#17 的 expr 组 55.06 略高于父 54.99、de_dir 0.2041>0.1998，但 cell_state/local 同时下降，+总分 54.80<54.87，净负；未提交。）++## 为什么 z 门控无效（读数）++1. **信噪结构不匹配**：clean SE 中位仅 0.095（log1p 空间型内均值的标准误），过门对的中位+   |v|=0.666 → 中位 z≈6.6。z≥2–3 几乎不筛（保留 72–80%），真正起筛选作用的是幅度阈值；+   而父节点教训（k=0.25→de_dir 0.12）说明放行小速度就是放噪声。z(2,1) 总位移 2.3 倍于父，+   mmd_u 0.085、nbh 0.114 双双崩到地板。+2. **等幅度替换仍略差**：z(2,7)/z(8,8) 把 sum|v_soft| 调回 ≈父（2758/2409 vs 2799），+   de_direction 仍只有 0.174/0.180 < 0.1998——把"大而噪"（小型高|v|）换成"小而稳"+   （大型低|v|）不改善方向信号；PLAN 动机中"大类型可靠小速度被误杀"的部分在本数据上+   不成立（这些小速度对 de_direction 是稀释而非增益）。+3. **纯否决（保留父集合、只删低 z 对）单调不升**：z≥2 时仅删 49 对 ≈ 恒等；z≥4/6 删+   319/801 对，de_score 0.1528→0.1389→0.125。z≥6 的 de_dir 0.2098 是全表最高，但+   de_score（top-k 命中率）反向掉——两项此消彼长，组均值不升。+4. **一致性加权反号**：跨型方向不一致的基因（coh 低）并非噪声——逐型解码本来就按型施加+   各自符号，压制"不一致"基因把 de_dir 从 0.1998 拉到 0.163/0.142。与节点 26 教训一致：+   基因维的跨型聚合（无论是平均还是一致性度量）都会破坏按型方向信号。++## 已验证 / 未验证++- 已验证：默认态输出与父节点 26 逐位相同（X、坐标、基因序、细胞序）；`--fixed-k 0.7`+  与默认逐位相同；`--ablate mechanism` → α=0 → 逐位等于节点 23 基座（std_dp=0，DE 保护区），+  与默认输出不同（mechanism_active=yes）；`--ablate=--fixed-k` → 与默认逐位相同。+- 已验证：seed 0/1/2 输出逐位相同（机制与采样在本视图不消耗有效随机性）。+- 已验证：伪装视图（所有阶段时间 +1 天、manifest 键序打乱重排版、路径改名）输出逐位相同，+  非 view_dependent；程序不读绝对时间、不读视图名。+- 已验证：单输入阶段视图不崩溃，α 自动归 0，vec-check 通过；正式视图 vec-check 通过。+- 未验证：final 视图（步长比 4/3、anchor 可能超 max_cells）上 z 否决的稳健性收益——+  proxy 上 z≥2 否决 ≈ 恒等（只删 49 对），无法区分"稳健"与"无用"；因 A 半无一配置为正+  收益，按证否规则不提交任何 z 变体。+- 知识来源：无。所有数值（SE、速度、门控、位移）均从视图内两个输入阶段现场计算；+  未使用任何外部数据、文献数值或已发布/保留阶段的测量值。++## 给后续节点的方向建议++- 固定 k=0.7 平台对"门控形状"不敏感（k∈[0.6,0.75]、z 否决、SE 调制都在 ±0.3 内），+  expression_change 的 de_score/de_direction 此消彼长（#9、#17），继续在门控层做文章+  预期收益 <噪声。+- 仍有空间的读数：k=0.75 使 expr 组 55.06（全表最高）且 de_dir 0.2041，代价在+  cell_state（mmd_u/var）与 local（nbh）。若能把"更强的方向信号"与"保住 mmd/nbh"解耦+  （例如只对 de_score 敏感的 top-mover 子集加大位移、其余保持父幅度），可能同时抬两组。+- 平滑层 ε=0.6×2 步在位移后仍是最优（4 档重扫全负），不要再扫。diff --git a/solution/README.md b/solution/README.mdindex ff2a8d4..3397cbd 100644--- a/solution/README.md+++ b/solution/README.md@@ -1,22 +1,45 @@-# 空间平滑 + 按型速度软阈值乘法外推 + 总量回拉（T2HX-04）——提交态：机制开启+# SE 自适应 z 门控（T2HX-04，节点 28）——已证否，提交态 = 父节点 26（fixed k=0.7，逐位相同） -`run.py` 默认态 = 节点 23 基座（copy_last 锚阶段，n 夹到 [min_cells, max_cells]，`take` 分层，-坐标 15-NN 图 2 步支撑掩码扩散 ε=0.6，逐基因列缩放精确复原伪批量）之上叠加速度层：+PLAN 提议把父节点 26 的固定软阈值 k=0.7 换成按（型,基因）标准误的 z 分数自适应门控。+在同一 A 半尺子上与父节点配对查分 18 次：z 替换（4 档）、z 否决（4 档）、跨型一致性加权+（2 档）、ε 重扫（4 档）、V_CAP/k 边缘（2 档）共 14 个配置**全部 ≤ 父节点 54.87**（多数+超过 T2 ~1 分噪声）。机制证否，按规则提交 NO_CHANGE，默认输出**逐位等于父节点 26**+（已本机 np.array_equal 验证 X / 坐标 / 基因序 / 细胞序）。 -1. 由视图内最后两个输入阶段算**按细胞类型**伪批量 log2 速度 v_{t,g}（门控：型两阶段各 ≥30 细胞、-   基因型内 pb ≥0.05、|v|≤2）；-2. 软阈值 k=0.7 去掉噪声级小速度；+读数详见 METHOD.md（含全部 17 行分项表与 4 条无效原因分析）。++## 提交态管线（= 父节点 26）++节点 23 基座（copy_last 锚阶段，n 夹到 [min_cells, max_cells]，`take` 分层，坐标 15-NN 图+2 步支撑掩码扩散 ε=0.6，逐基因列缩放精确复原伪批量）之上叠加速度层：++1. 由视图内最后两个输入阶段算**按细胞类型**伪批量 log2 速度 v_{t,g}（门控：型两阶段各 ≥30+   细胞、基因型内 pb ≥0.05、|v|≤2）；+2. 固定软阈值 k=0.7（去掉噪声级小速度）； 3. 逐细胞乘法位移 x' = x·2^(α·v_soft)，α=1； 4. 逐细胞线性总量回拉 f=(T_orig/T_new)^γ，γ=0.6（CP10k 不变量，节点 24 配方）。 -坐标、组成、细胞数、行序冻结 → 形状三项逐位 = 地板。A 半配对实测：提交态 **54.87**-（父节点 23 同半 50.58、copy_last 50.00；仅速度无平滑 53.65）。de_direction 0→0.1998、-de_score 0→0.1528、nbh 0.10679→0.08316、mmd_u 0.05487→0.04817、variogram 0.059636→0.042206。-19 次查分全表与响应面见 METHOD.md。--- `--ablate <任意名>`：α=0，速度层整块跳过，输出**逐位等于节点 23**（已本机比对）。-- `VEC_ALPHA / VEC_DECODE / VEC_KSOFT / VEC_GAMMA / VEC_EPS / VEC_STEPS / VEC_MODE / VEC_KNN /-  VEC_MINCELLS / VEC_GFLOOR / VEC_VCAP`：仅供探针复现（colscale 解码为 PLAN 原解码，实测 DE 无方向信号，保留可复现）。-- 单输入阶段视图：α 自动归 0，逐位回到节点 23（已实测）。-- 纯 CPU（EXECUTION.json gpu:false）；机制 time-free、不消耗随机数，seed 0/1/2 与伪装视图-  （改名/键序打乱/时间 +1 天）下输出逐位相同（已实测）。+坐标、组成、细胞数、行序冻结 → 形状三项逐位 = 地板。++## 对照开关（供 harness 与复现）++- `--ablate mechanism`：α=0，速度层整块跳过，输出**逐位等于节点 23 基座**（std_dp=0，+  DE 保护区；已本机比对）。与默认输出不同 → mechanism_active=yes。+- `--fixed-k 0.7` / `--ablate=--fixed-k`：显式走固定 k 路径，与默认逐位相同。+- 证否的机制代码保留在文件内，仅由 env 开关驱动，不进默认路径：+  `VEC_GATE=z`（z 替换，配 `VEC_ZMIN`/`VEC_ZK`）、`VEC_GATE=veto`（固定 k + z 否决）、+  `VEC_CONS>0`（跨型一致性加权，配 `VEC_CONSNORM`）。SE 用 clean delta-method+  `sqrt(var_a/n_a+var_p/n_p)/ln2`（PLAN 原公式实测 79% SE>1、中位 z=0.31，过度保守，+  按 PLAN 风险 1 预案改）。其余 env（`VEC_ALPHA/VEC_DECODE/VEC_KSOFT/VEC_GAMMA/VEC_EPS/+  VEC_STEPS/VEC_MODE/VEC_KNN/VEC_MINCELLS/VEC_GFLOOR/VEC_VCAP`）仅供探针复现。++## 稳健性（已实测）++- 纯 CPU（EXECUTION.json gpu:false）；机制 time-free、不消耗有效随机数：seed 0/1/2 输出+  逐位相同。+- 伪装视图（所有阶段时间 +1 天、manifest 键序打乱重排版、路径改名）输出**逐位相同**，+  非 view_dependent；程序不读绝对时间 / 视图名。+- 单输入阶段视图不崩溃，α 自动归 0，逐位回到节点 23（已实测）。+- 正式视图与单输入视图 vec-check 均通过。+- 无外部数据、无来自已发布 / 保留阶段的常数；所有数值（SE、速度、门控、位移）从视图内+  两个输入阶段现场计算。diff --git a/solution/run.py b/solution/run.pyindex 1b5a6b3..ae89429 100644--- a/solution/run.py+++ b/solution/run.py@@ -3,6 +3,16 @@ guided partial pseudobulk restoration that unlocks the DE group (family T2HX-04, PLAN node 26). +NODE 28 (this file): PLAN proposed replacing the fixed soft threshold k=0.7+with an SE-adaptive z gate (per (type,gene) standard error of the log2+velocity). Measured on the A half (18 paired vec-score runs, METHOD.md):+every z-gate / z-veto / consistency-weighting variant scored <= the parent's+fixed k=0.7 (54.87) -> mechanism falsified, NO_CHANGE submitted. The default+state below is therefore BITWISE the parent node-26 configuration (fixed+k=0.7); the z-gate (VEC_GATE=z), significance veto (VEC_GATE=veto) and+cross-type consistency weighting (VEC_CONS>0) code paths are kept with their+env knobs only to make the falsification reproducible.+ Base (identical to node 23 = the ``--ablate`` state): anchor = last observed input stage, n clipped to [min_cells, max_cells], stratified-by-celltype sampling via ``take``, then 2 steps of support-masked diffusion on the@@ -93,6 +103,21 @@ V_CAP = float(os.environ.get("VEC_VCAP", "2.0")) K_SOFT = float(os.environ.get("VEC_KSOFT", "0.7"))    # pertype soft threshold GAMMA_RENORM = float(os.environ.get("VEC_GAMMA", "0.6"))  # pertype total pullback +# --- SE-adaptive z gate (this node): replaces the fixed soft threshold -------+# PLAN's SE formula (var_log2 / (n * pb^2 * ln2^2)) measured >50% of gated+# (type,gene) pairs with SE>1 (median z=0.31) -> PLAN risk-1 fallback: the+# direct standard error of the per-type mean in log space,+#     SE(v_{t,g}) = sqrt(var_a/n_a + var_p/n_p) / ln2,+# with var_* the within-type cell-to-cell variance of the log1p values (the+# space pb is computed in). Median SE 0.095, median z 6.6 on the proxy view.+GATE_MODE = os.environ.get("VEC_GATE", "fixed")  # z | fixed | veto+Z_MIN = float(os.environ.get("VEC_ZMIN", "2.0"))+Z_K = float(os.environ.get("VEC_ZK", "1.0"))+# alternative mechanisms (backup directions after the z gate measured flat):+CONS_W = float(os.environ.get("VEC_CONS", "0.0"))    # cross-type consistency+CONS_NORM = bool(int(os.environ.get("VEC_CONSNORM", "1")))+SHRINK = float(os.environ.get("VEC_SHRINK", "0.0"))  # pull toward consensus+  def diffuse(X64: np.ndarray, coords: np.ndarray, eps: float, mode: str,             steps: int):@@ -134,12 +159,15 @@ def diffuse(X64: np.ndarray, coords: np.ndarray, eps: float, mode: str,  def type_velocity(prev_stage, anch_X: np.ndarray, anch_labels: np.ndarray,                   out_labels: np.ndarray, n_out: int, g: int):-    """Composition-weighted per-gene log2 velocity vbar_g and per-type table.+    """Composition-weighted per-gene log2 velocity vbar_g and per-type tables.      vbar_g = sum_t (n_t/n_out) * v_{t,g}; v_{t,g} = log2 pb_anchor_t - log2     pb_prev_t with hard gates (type support, gene floor, |v| cap). Types with     no previous-stage support get v = 0 (no evidence -> no displacement).-    Also returns v_by_type dict and the per-cell velocity matrix rows.+    Returns (vbar, v_by_type, se_by_type, n_used): se_{t,g} is the standard+    error of v_{t,g} from the within-type cell-to-cell variance of the log1p+    values in each stage, SE = sqrt(var_a/n_a + var_p/n_p)/ln2 (delta method+    on the stage means; the space pb is computed in).     """     Xp = prev_stage.X.toarray().astype(np.float64) if sp.issparse(prev_stage.X) \         else np.asarray(prev_stage.X, dtype=np.float64)@@ -151,24 +179,31 @@ def type_velocity(prev_stage, anch_X: np.ndarray, anch_labels: np.ndarray,     cnt_p = dict(zip(types_p, cnts_p))     idx_p = {t: np.flatnonzero(lp == t) for t in types_p} +    ln2 = np.log(2.0)     vbar = np.zeros(g, dtype=np.float64)     v_by_type: dict[str, np.ndarray] = {}+    se_by_type: dict[str, np.ndarray] = {}     n_used = 0     for t, n_t in zip(types_a, cnt_a):         n_p = int(cnt_p.get(t, 0))         if n_t < MIN_TYPE_CELLS or n_p < MIN_TYPE_CELLS:             continue         rows_a = la == t-        pb_a = anch_X[rows_a].mean(axis=0)-        pb_p = Xp[idx_p[t]].mean(axis=0)+        Xa_t = anch_X[rows_a]+        Xp_t = Xp[idx_p[t]]+        pb_a = Xa_t.mean(axis=0)+        pb_p = Xp_t.mean(axis=0)         gate = (pb_a >= GENE_FLOOR) & (pb_p >= GENE_FLOOR)         v = np.log2(np.maximum(pb_a, 1e-12)) - np.log2(np.maximum(pb_p, 1e-12))         v = np.where(gate, np.clip(v, -V_CAP, V_CAP), 0.0)+        se = np.sqrt(Xa_t.var(axis=0) / n_t + Xp_t.var(axis=0) / n_p) / ln2+        se = np.where(gate, np.maximum(se, 1e-9), np.inf)         v_by_type[str(t)] = v+        se_by_type[str(t)] = se         w = n_t / n_out         vbar += w * v         n_used += 1-    return vbar, v_by_type, n_used+    return vbar, v_by_type, se_by_type, n_used   def soft_threshold(v: np.ndarray, k: float) -> np.ndarray:@@ -177,18 +212,52 @@ def soft_threshold(v: np.ndarray, k: float) -> np.ndarray:     return np.sign(v) * np.maximum(np.abs(v) - k, 0.0)  +def z_threshold(v: np.ndarray, se: np.ndarray, z_min: float,+                z_k: float) -> np.ndarray:+    """SE-adaptive gate: keep |v| >= z_min*SE, subtract z_k*SE (soft)."""+    z = np.abs(v) / se+    keep = (z >= z_min) & (v != 0.0)+    return np.where(keep, np.sign(v) * np.maximum(np.abs(v) - z_k * se, 0.0),+                    0.0)+++def both_threshold(v: np.ndarray, se: np.ndarray, k: float,+                   z_min: float) -> np.ndarray:+    """Fixed magnitude soft threshold k + significance veto z >= z_min.++    Keeps the parent's magnitude selectivity (only strong movers survive k)+    but drops strong-yet-unreliable velocities (small types / noisy genes,+    |v|>k with z below z_min): the adaptive-significance-gate direction of+    node-26 ANALYSIS suggestion 3.+    """+    z = np.abs(v) / se+    keep = (z >= z_min) & (v != 0.0)+    return np.where(keep, soft_threshold(v, k), 0.0)++ def main() -> None:     parser = argparse.ArgumentParser()     parser.add_argument("--data", required=True)     parser.add_argument("--out", required=True)     parser.add_argument("--seed", type=int, default=0)     parser.add_argument("--ablate", default=None)+    parser.add_argument("--fixed-k", type=float, default=None,+                        help="off-control: skip SE/z gate, use this fixed "+                             "soft threshold (parent node-26 behaviour)")     args = parser.parse_args()      ablated = args.ablate is not None     eps = DEFAULT_EPS     alpha = 0.0 if ablated else DEFAULT_ALPHA     decode = DEFAULT_DECODE+    gate_mode = GATE_MODE+    k_soft = K_SOFT+    if args.fixed_k is not None:+        gate_mode, k_soft = "fixed", args.fixed_k+    if ablated and "fixed" in str(args.ablate):+        # named off-control for the z gate only (velocity mechanism stays on)+        alpha = DEFAULT_ALPHA+        gate_mode, k_soft = "fixed", K_SOFT      manifest = load_manifest(args.data)     genes = panel_genes(args.data, manifest)@@ -222,11 +291,12 @@ def main() -> None:     # ---- velocity field (needs a previous stage; else alpha -> 0) ----------     vbar = np.zeros(g, dtype=np.float64)     v_by_type: dict[str, np.ndarray] = {}+    se_by_type: dict[str, np.ndarray] = {}     if alpha != 0.0:         prev_entry, _, _ = extrap_step(manifest)         if prev_entry is not None:             prev_stage = read_stage(args.data, prev_entry, genes)-            vbar, v_by_type, n_used = type_velocity(+            vbar, v_by_type, se_by_type, n_used = type_velocity(                 prev_stage, X64, out_labels, out_labels, rows.size, g)             print(f"[diag] velocity types_used={n_used} "                   f"vbar_std={vbar.std():.4f} vbar_absmax={np.abs(vbar).max():.4f} "@@ -258,14 +328,53 @@ def main() -> None:         Y0 = Y * s                      # node-23 restored base         utypes, uidx = np.unique(out_labels, return_inverse=True)         Vt = np.zeros((utypes.size, g), dtype=np.float64)+        Vs = np.zeros((utypes.size, g), dtype=np.float64)         unknown = 0+        n_keep_z = n_keep_fk = 0         for j, t in enumerate(utypes):             v = v_by_type.get(str(t))             if v is None:                 unknown += int((uidx == j).sum())                 continue             Vt[j] = v-        Vs = soft_threshold(Vt, K_SOFT)+            if gate_mode == "z":+                se = se_by_type[str(t)]+                Vs[j] = z_threshold(v, se, Z_MIN, Z_K)+            elif gate_mode == "veto":+                se = se_by_type[str(t)]+                Vs[j] = both_threshold(v, se, k_soft, Z_MIN)+            else:+                Vs[j] = soft_threshold(v, k_soft)+        n_keep_z = int(((Vs != 0) & (np.abs(Vt) > 0)).sum())+        n_keep_fk = int((np.abs(soft_threshold(Vt, K_SOFT)) > 0).sum())++        # --- backup mechanism: cross-type direction-consistency gate -------+        # For each gene g, measure how much the output-composition-weighted+        # per-type velocities agree in DIRECTION:+        #     c_g = |sum_t w_t v_{t,g}| / sum_t w_t |v_{t,g}|   in [0,1]+        # w_t = n_t/n_out. c_g -> 1 when all types push gene g the same way+        # (a coherent program, likely to extrapolate), c_g -> 0 when types+        # cancel (gene moving in opposing directions across lineages -> the+        # per-cell decode cannot trust a single sign). Damping v by+        # c_g**CONS_W suppresses incoherent genes and sharpens de_direction,+        # the weakest expression_change metric. CONS_W=0 disables (parent).+        if CONS_W > 0:+            cnt_out = np.bincount(uidx, minlength=utypes.size).astype(np.float64)+            w_t = cnt_out / max(cnt_out.sum(), 1.0)     # (n_types,)+            num = np.abs(w_t @ Vs)                      # (g,)+            den = (w_t @ np.abs(Vs)) + 1e-12+            coh = np.clip(num / den, 0.0, 1.0)+            sum_before = float(np.abs(Vs).sum())+            Vs = Vs * np.power(coh, CONS_W)[None, :]+            sum_after = float(np.abs(Vs).sum())+            if CONS_NORM and sum_after > 0:+                Vs *= sum_before / sum_after+            print(f"[diag] consistency CONS_W={CONS_W} norm={int(CONS_NORM)} "+                  f"coh_med={np.median(coh):.3f} "+                  f"vsum {sum_before:.0f}->{sum_after:.0f}"+                  f"{'->%d (renorm)' % sum_before if CONS_NORM else ''}",+                  file=sys.stderr)+         shift_t = np.power(2.0, alpha * Vs)          # (n_types, g)         Xs = Y0 * shift_t[uidx]         # node-24 per-cell renormalization in linear CP10k space@@ -275,7 +384,11 @@ def main() -> None:             f = np.power(T0 / np.maximum(T1, 1e-12), GAMMA_RENORM)             Xs = np.log1p(np.expm1(np.clip(Xs, 0, 20.0)) * f[:, None])         Xs = np.clip(Xs, 0.0, None)-        print(f"[diag] pertype cells_without_velocity={unknown} "+        print(f"[diag] pertype gate={gate_mode}"+              f"{f' zmin={Z_MIN} zk={Z_K}' if gate_mode == 'z' else f' k={k_soft}'}"+              f" kept_pairs={n_keep_z} (fixed-k0.7 would keep {n_keep_fk}) "+              f"sum|v_soft|={np.abs(Vs).sum():.0f} "+              f"cells_without_velocity={unknown} "               f"shift_absmax_log2={np.abs(alpha * Vs).max():.3f}",               file=sys.stderr)         pb_intended = None  # guard skipped for the pertype decode

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

Done. Summary:

**做了什么**：实现 PLAN 的 SE 自适应 z 门控（PLAN 原 SE 公式命中其风险 1——79% 条目 SE>1，按预案改用 clean delta-method SE，中位 0.095），并测了 z 替换（zmin/zk 4 档）、z 否决（4 档）、备选机制跨型一致性加权（2 档）、ε 联合重扫（4 档）、V_CAP=1.5 与 k=0.75（2 档），共 18 次配对查分。

**查分结果**：父节点同半对照 54.87；所有 14 个配置 ≤ 对照——z 替换最好 54.84（等幅度下 de_direction 0.174<0.1998），z 否决单调不升（z≥6 时 de_dir 0.2098 全表最高但 de_score 反掉），一致性加权把 de_dir 拉到 0.163/0.142，ε 重扫全负。机制证否，按规则提交 NO_CHANGE：默认输出与父节点 26 逐位相同（已验证），`--ablate mechanism` → α=0 逐位等于节点 23 基座，seed 0/1/2、伪装视图（时间+1、键序打乱、改名）、单输入退路、vec-check 全部通过。

**下一步最值得试**：门控层已证实是 ±0.3 的宽平台，别再扫。k=0.75 显示 expr 组可到 55.06（de_dir 0.2041）但 mmd/nbh 付代价——值得试"对 top-mover 基因子集加大位移、其余保持父幅度"的解耦解码，同时抬 expression_change 与 cell_state。

调研员

_anchor_t · pb_anchor²_{t,g}·ln²2) + var_prev_{t,g}/(n_prev_t · pb_prev²_{t,g}·ln²2)，其中var是型内细胞在log2空间的方差（用np.var on log2(x+1e-9)的型内值）。这比Poisson假设更稳健，直接从数据现场计算。\n2. **z分数门控**：z_{t,g} = |v_{t,g}| / SE_{t,g}。保留条件：z ≥ z_min（初值2.0，扫描{1.5, 2.0, 2.5, 3.0}）且|v|≤V_CAP=2.0（保留上限防极端值）。\n3. **z空间软阈值**：通过z门控后，v_soft = sign(v)·(|v| − SE·z_k)，z_k是z空间软阈值（初值1.0，扫描{0.5, 1.0, 1.5}）。等价于只保留超过z_k个标准误的部分，阈值随SE自适应。SE=0时（理论上不会，但数值保护）回退到固定k=0.7。\n4. **其余管线不变**：α=1.0、γ=0.6、ε=0.6、2步扩散、坐标/组成/行序冻结均继承父节点。\n5. **联合ε重扫（次要）**：提交最优z门控后，在固定z参数下扫ε∈{0.3, 0.45, 0.6, 0.75}×步数{1, 2}，检验速度位移后最优平滑是否偏移（ANALYSIS建议1）。仅当ε变化带来>1分时才改。\n6. **单输入退路**：只有一个输入阶段→无速度→α=0→逐位回退节点23基座，与父节点相同。\n7. **vec-score快速筛选**：先跑z_min=2.0/z_k=1.0，看de_direction是否≥0.20（父值0.196）；若de_direction<0.18（劣于父），立即止损回退父参数。查分≤8次：4次z门控网格 + 1次最优确认 + 1次ablate对照 + 2次ε重扫。",
  "expected_groups": ["expression_change", "cell_state"],
  "risks": "1) SE估计不准：型内细胞数少（~30）时方差估计本身噪声大，z分数可能不稳定。Engineer应检查SE分布：若>50%的（型,基因）对SE>1（即z普遍<1），说明SE估计过保守，需换更简单的SE（如仅用pb和n的delta method）。2) 改善在噪声内：T2噪声~1分，若总分提升<1.5需复查确认。3) z门控过严导致过多基因被清零→dp幅度不足→重新触发无变化保护（std(dp)<1%×std(dt)）。Engineer应在第一次查分后检查std(dp)是否>0.01。4) 过度拟合A半：z参数扫描应在宽平台中心取点，不追argmax。",
  "family_id": "T2HX-04",
  "mechanism": "用型内细胞间方差估计每个（型,基因）速度的标准误，将固定软阈值k=0.7替换为z分数自适应门控：高信噪比的速度（大类型、高表达基因）保留更多，低信噪比的速度（小类型、低表达基因）被更严格过滤，阈值随测量精度自适应。",
  "vs_constant_shift": "常数位移对每个基因施加相同方向和幅度，不区分测量可靠性；本机制按（型,基因）的测量精度差异化处理——同一个速度值，在大类型（低SE）中保留、在小类型（高SE）中被衰减或清零，输出是细胞类型和基因特异的，不是全局统一的。",
  "mechanism_evidence": "1) 对比固定k=0.7与自适应z门控下的de_direction/de_score raw值，自适应应≥固定（预期de_direction从0.196→0.21+）。2) 统计自适应门控实际改变的速度条目数：应比固定k=0.7多出大类型中小速度条目（|v|<0.7但z>2），减少小类型中噪声条目（|v|>0.7但z<2）。Engineer打印两组门控下过门（型,基因）对数量和对称差集大小。3) spearman(dp, dt_approx)应从父的0.49提升。4) 四组分各自变化：expression_change应改善，cell_state和local_spatial不应恶化超过噪声。",
  "mechanism_off_control": "同一程序加`--fixed-k 0.7`标志→跳过SE计算和z门控，回退到父节点的固定软阈值k=0.7（其余管线不变），预期输出与父节点26逐位相同（np.array_equal验证）。`--ablate mechanism`→α=0→逐位等于节点23基座。两层对照分离：adaptive vs fixed-k隔离z门控贡献；fixed-k vs ablate隔离速度机制贡献。",
  "sources": []
}

审查员

REVIEW.json written