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

节点 n40

型内中位再闭合（封顶±3×）+逐基因伪批量精确复原：保留位移导致的型间总量结构、同时 dp 与父节点逐位一致，机制只能在细胞间再分配表达

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 40f41eea76: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 b7b5f10d06。改动的文件：solution/METHOD.md +41 −61、solution/README.md +17 −20、solution/run.py +170 −16

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex a44397b..dd8037a 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,79 +1,59 @@-再闭合场 log(r_i) 在坐标15-NN上低通（β=0.15）并按数据自算中位总量电平中性化；de_direction/de_score/mmd_u 升、nb_mmd 略升（该项假设被证否）+型内中位再闭合（封顶±3×）+逐基因伪批量精确复原：保留位移导致的型间总量结构、同时 dp 与父节点逐位一致，机制只能在细胞间再分配表达 -- family_id: T2HX-01（承父节点 33：rel 速度乘法外推 + 几何再闭合，坐标/行序/细胞数/组成冻结）-- parent: node 33（A 半 56.792，节点分 57.04）-- 本节点 A 半 56.869（+0.077）；查分 19/20 次，明细见下表+## 方法族与谱系 -## 1. 方法+- family_id: T2HX-01（按型伪批量乘法外推），父节点 35，管线其余全部冻结（copy_last 基座、ε=0.1 两步底物平滑、rel 速度 v_t=(m_a−m_p)/(m_p+1)、k=0.5 软阈值、α=1、γ=1.35 几何再闭合、β_rec=0.15 场平滑+电平中性、PBC=10、双硬门控、坐标/行序/细胞数/组成不动）。+- 本节点唯一改动：再闭合参考点 `s_i=(r_ref_i/r̃_i)^γ` 中的 `r_ref_i`，以及一层伪批量复原保护。 -在父节点管线上只加一个作用点：几何再闭合的**输入场**从"逐细胞原始总量比 r_i"换成"在锚坐标 15-NN 图上扩散 1 步后的 r̃_i"（权重 β_rec），再算 s_i=(r_med/r̃_i)^γ。-扩散非中位数守恒，原始做法会同时**提亮**整个预测（Jensen：中位线性总量 1.825→2.386）。为把机制与电平副作用分开，加了 `VEC_REC_LEVEL=matched`：把平滑场的每细胞线性总量中位数**重标定回未平滑场所给的值**（两个量都在运行时从输入数据算出，无任何拟合常数），因此机制只能改场的**形状**、不能改库大小电平。+## 提交配置（默认值已烧进 run.py） -其余全部冻结：α=1、k=0.5、γ=1.35、ε=0.1、SMOOTH_STEPS=2、K=15、PBC=10、门控（std 比 ≥0.01、spearman ≥0.3）、坐标/行序/细胞数/组成。单输入阶段或锚≠末输入时逐位回退 copy_last（承父）。+1. **型内参考**（`VEC_REC_SCOPE=type`）：`r_ref_i` = 细胞 i 所属型内平滑总量比场 r̃ 的中位数；型内锚细胞 <30（`VEC_REC_TYPE_MIN`）时用全局中位数（PLAN 风险 1 的守卫）。+2. **封顶**（`VEC_REC_CAP=3.0`）：型内中位数夹到 [全局/3, 全局×3]。本视图上原始型内中位数跨 0.44×–44823×全局（Allantois 8×10⁴、SOM 5916、Neural Tube 332）——不封顶时高速型细胞被留在 PBC=10× 钳位上（19% 细胞钳死），DE 崩塌的直接来源。+3. **伪批量精确复原**（`VEC_PB_RESTORE=1`，20 次对数域 Newton，残差 ≤2e-15）：并行跑一遍全局参考（=父节点 35 逐位）的再闭合+PBC 得到目标逐基因 pb；型内参考输出在 PBC 之后按逐基因单一列因子缩放，使最终 pb 与父节点**精确相等**。因此 dp、de_score、de_direction 逐位保持父节点值（实测两项 raw 0.2778/0.3839 与父完全一致），机制只能在每个基因列内部**再分配**细胞间表达，无法倾斜群体均值。列因子保零模式（支撑集两路相同）、不引入任何拟合常数（两路都是输入数据的纯函数）。 -## 2. 机制生效证据（`--ablate` 对照）+## PLAN 机制的证否记录（不封顶的 λ 混合，PLAN 原样实现） -- `--ablate mechanism`（也测了 `--ablate rec_field_smoothing`）→ 输出与父节点 33 **逐位相同**（X 与坐标 array_equal=True），即关掉机制精确回到父行为；不带参数时输出与父**不同**（X 改变、坐标逐位不变）→ mechanism_active=yes。-- 平滑确实运行且去除了高频：型内 std(log r) 3.139 → 2.921（β=0.08）/ 2.737（0.15）/ 2.367（0.3）/ 1.928（0.5），单调下降；中位线性总量由构造固定为 1.825（与父相同）。-- 四组分变化（A 半，β=0.15 vs 父）：expression_change 59.83→60.29（**升**，de_score 0.2639→0.2778 即 +1 量化步、de_direction 0.3730→0.3839）；cell_state 58.53→58.59（**升**，mmd_u 0.04888→0.04853 变好，variogram 0.035314→0.035414 基本持平）；local_spatial 58.80→58.60（**降**，nb_mmd 0.08025→0.08093 变差）；shape_scale 50.00→50.00（坐标冻结，三项 raw 逐位相同，结构门保持 1：nb_mmd skill 0.586 > 0.5）。+守卫（PLAN 给定）：nb_mmd raw ≤0.0820、de_direction ≥0.383、de_score ≥0.2778。A 半查分（评分器确定性已复核：同一文件重查逐位同分）： -## 3. PLAN 的核心假设被证否（nb_mmd 方向）+| 配置 | A半总分 | de_score | de_direction | mmd_u | variogram | nb_mmd | 守卫 |+|---|---|---|---|---|---|---|---|+| 父节点 35 | 56.869 | 0.2778 | 0.3839 | 0.04853 | 0.035414 | 0.08093 | — |+| λ=0.15 | 55.981 | 0.2222 | 0.3379 | 0.04770 | 0.040441 | 0.08200 | DE 双破 |+| λ=0.3 | 56.017 | 0.2222 | 0.3327 | 0.04696 | 0.040987 | 0.08130 | DE 双破 |+| λ=0.5 | 56.009 | 0.2222 | 0.3175 | 0.04616 | 0.041623 | 0.08056 | DE 双破 |+| λ=1.0 | 55.633 | 0.1667 | 0.2684 | 0.04564 | 0.042577 | 0.07925 | DE 双破 | -PLAN 预期平滑能收回 mmd_u 与 nb_mmd。实测：**nb_mmd 随 β_rec 单调变差**，mmd_u 只在 β_rec ≤0.15 略微变好。电平中性后的纯机制效应（A 半）：+mmd_u 按 PLAN 预期单调改善、nb_mmd 也改善，但 de_direction/de_score 随 λ **单调崩塌**（型间亮度倾斜直接搬动群体伪批量），variogram 同步变差，λ 全网格远低于父节点——PLAN 原样机制证否（4 个幅度 + 下方封顶 2 个解码，共 ≥6 次查分）。 -| β_rec | 榜分 | de_score | de_direction | mmd_u | variogram | nb_mmd |-|---|---:|---:|---:|---:|---:|---:|-| 0（父 33） | 56.792 | 0.2639 | 0.3730 | 0.04888 | 0.035314 | 0.08025 |-| 0.08 | 56.758 | 0.2500 | 0.3810 | 0.04856 | 0.035400 | 0.08056 |-| **0.15（提交）** | **56.869** | **0.2778** | **0.3839** | **0.04853** | 0.035414 | 0.08093 |-| 0.30 | 56.762 | 0.2778 | 0.3841 | 0.04928 | 0.035200 | 0.08199 |-| 0.50 | 56.501 | 0.2639 | 0.3822 | 0.05090 | 0.034868 | 0.08358 |+**PLAN 动机的事实性修正**：锚阶段每个细胞的线性总量精确 =1e4（CP10k），31 个型的型内中位总量全部逐位相同（运行时实测，CV=0）。“真值中型间总量有天然差异”在本数据里不成立；r̃ 的型间差异完全来自**速度导致的位移膨胀**。机制仍然有效，但生效通道是“保留与位移幅度成比例的型级总量结构”，不是恢复什么天然差异。 -选 β=0.15 的理由（按 PLAN 步骤 6：总分差在 1 分噪声内时以连续量与量化步判收益，不以总分判）：de_direction 在**全部 4 个幅度**上都 +0.008～+0.011（连续量、电平受控的偏相关，高于历史 ±0.01 抖动 → 结构性而非噪声）；de_score +1 量化步；mmd_u 为本档最佳；variogram 持平；榜分为网格内点最大。代价是 nb_mmd −0.00068 raw（skill 仍远高于 0.5，门不触发）。+## 提交解码的查分（封顶 + pb 复原） -## 4. 被拒的"提亮"方向（重要，供后续节点）+| 配置 | A半总分 | mmd_u | variogram | nb_mmd | DE 两项 |+|---|---|---|---|---|---|+| cap1.5+restore | 57.190 | 0.04699 | 0.035649 | 0.07778 | 逐位=父 |+| cap2+restore | 57.290 | 0.04669 | 0.035783 | 0.07661 | 逐位=父 |+| cap2.5+restore | 57.317 | 0.04649 | 0.035883 | 0.07633 | 逐位=父 |+| **cap3+restore（提交）** | **57.332** | **0.04630** | 0.035963 | **0.07621** | 逐位=父 |+| λ=1 不封顶+restore | 57.271 | 0.04590 | 0.036896 | 0.07635 | 逐位=父 |+| cap3+restore+γ=1.45 | 57.323 | 0.04669 | 0.035297 | 0.07629 | 0.2639/0.3900 | -未做电平中性时，β_rec=0.3/0.5/1.0/2步 的榜分是 57.016/57.017/56.595/56.917，看起来"有效"。诊断证明**收益全部来自提亮副作用，与平滑无关**：+cap 曲线在 3.0 处内部峰值（+0.463 A半 vs 父），γ=1.45 持平（de_score −1 量化步）故保 γ=1.35。分组：cell_state mmd_u 升（PLAN 目标 ≤0.046 达成）、variogram 微付；local_spatial nb_mmd 0.08093→0.07621 为**全树最佳**且随机制强度跨 5 个解码单调（父→cap1.5→cap2→cap2.5→cap3→不封顶：0.08093/0.07778/0.07661/0.07633/0.07621/0.07635）——结构性而非噪声；expression_change 逐位冻结；shape_scale 坐标冻结=地板。细胞总量中位 1.825×→~1.5× 基线，**更靠近**实测阶段的 CP10k 不变量（与节点 35 拒绝的“提亮”方向相反）。 -| 配置 | 榜分 | de_score | de_direction | mmd_u | variogram | nb_mmd | 中位总量 |-|---|---:|---:|---:|---:|---:|---:|---:|-| 父 33 | 56.792 | 0.2639 | 0.3730 | 0.04888 | 0.035314 | 0.08025 | 1.825× |-| 纯常数提亮 ×1.31（无平滑） | **57.143** | 0.3194 | 0.3768 | 0.04631 | 0.036564 | 0.08007 | 2.390× |-| β=0.5 未中性化 | 57.017 | 0.3333 | 0.3890 | 0.04755 | 0.036114 | 0.08285 | 2.386× |-| β=0.5 电平中性 | 56.501 | 0.2639 | 0.3822 | 0.05090 | 0.034868 | 0.08358 | 1.825× |+## 机制生效证据（对照 PLAN mechanism_evidence） -不做平滑、只乘常数的提亮**比机制本身分更高**（57.143 > 57.017），且 de_direction（控制 pb(ref) 秩的偏相关）几乎不动（+0.004）而动的是 de_score（其 chance 校正按 ±pb(ref) 排序，对电平倾斜校正不完全）。已发布阶段的 CP10k 不变量要求每细胞线性总量恒为 10^4；父节点已是 1.83×，提亮到 2.39× 进一步偏离，没有生物学解读，只有指标实现层面的解读；本外推尺子又已知高估（历史本地 54.2 → 官网 49.6）。故按"不针对打分器实现细节优化"的规则**拒绝提交**该方向，改用数据自算的电平中性化。+1. 型间 r̃ 中位比跨 0.44×–44823×（CV=5.12）≫10% —— 机制有作用空间（但来源是速度膨胀，见上）。+2. mmd_u raw 0.04853→0.04630（skill 0.551→0.558，+0.11 pts）；nb_mmd raw −0.0047（skill +0.014，+0.22 pts，权重 25）。+3. 型间总量结构：父节点输出各型中位总量被压向共同水平；提交版按位移幅度恢复型级差（封顶后 ≤3^γ≈5.5×，pb 复原后基因均值不变、型间相对差保留在列内）。+4. de_score/de_direction 逐位不变（pb 最大残差 1.8e-15）——改动不触碰基因排序，与 PLAN 判据一致。+5. 关闭对照：`--ablate <任意名>`（含 `mechanism`、`rec_scope`）→ 型内参考与 pb 复原同时关闭 → 输出与父节点 35 **逐位相同**（h5 data/indptr/坐标 array_equal 验证）；`VEC_REC_SCOPE=global` 等效。harness 对照运行将得到 mechanism_active=yes 的逐位差异证据。 -## 5. 其他备选机制（均已实测证否，代码保留、默认关）+## 验证过 / 未验证 -1. **事后平滑（伪批量精确复原）**：位移+再闭合+PBC 之后再做一次支撑掩码扩散，逐基因列缩放精确复原伪批量（pb 最大相对差 9.3e-15 → dp 逐位不变 → de_score/de_direction **按构造**保持 0.2639/0.3730）。ε_post 0.15/0.3/0.5/0.7 → 56.582/56.365/55.985/55.470，nb_mmd 0.08110/0.08292/0.08706/0.09335 **单调变差**：位移之后的额外局部相干性是过度平滑，父节点 ε=0.1 已在最优附近。（`VEC_POST_EPS`）-2. **PLAN 指定的兜底 PBC∈{8,12}**：在 γ=1.35/ε=0.1 下钳制**完全不激活**（cap ≥ 4 时 clamped_frac=0.0000），4/6/8/12 都是逐位空操作；只有 cap ≤3 起作用（PBC=3：钳 1.41% 细胞 → 56.790，与父持平）。该兜底在本基座上是死方向。-3. **速度软阈值 k=0.4**（PLAN 兜底另一支）→ 56.735，de_score 0.2500（−1 量化步）。-4. **底物平滑邻域宽度 SMOOTH_K=30** → 56.778，与父持平（nb_mmd 0.08032）。-5. **底物 ε 提到 0.25/0.4 + 场平滑**：中位总量涨到 2.49×/3.49×、钳制 0.2%/7.7%，收益完全被提亮支配，未提交（离线诊断后放弃，未耗查分）。+- 已验证：seed 0/1/2 逐位一致（锚阶段 ≤ max_cells，逐位与 seed 无关）；伪装视图（时间统一 +1、manifest 键序打乱、换路径）逐位一致；单输入视图退路 = copy_last（合成单输入视图实测，vec-check 过）；`vec-check` 通过；8.1s / 1.88GB（限值 30min / 28GB）。+- 未验证：B 半与真实 final 视图（本地无法检验；nb_mmd/mmd_u 增益为跨解码单调的结构性位移，预期可迁移，但幅度未知）；TYPE_MIN=60（不封顶档实测与 30 无差，封顶使极端小型失效）；REC_TYPE_MIN 在 final 视图上的小样本型行为（已由 cap 兜底）。+- 查分台账：18/20 已用。其中 3 次浪费在 `VEC_REC_SCOPE` 默认值笔误（"dist" 静默落入 global 分支，输出与父逐位相同仍被送分）——**教训：查分前必须先离线确认输出与父逐位不同**；1 次用于复核评分器确定性。 -## 6. 验证过什么+## 知识来源 -- 父节点复现：默认关闭机制时 A 半 56.792、八项 raw 与父节点记录逐项一致。-- `--ablate` 逐位回父（X 与坐标）；机制开启时 X 改变、坐标逐位不变。-- 格式：`vec-check --task T2:heart:val_extrap/proxy_noscale` 在 seed 0/1/2 与 ablate 输出上均 `{status: ok, errors: []}`；n_obs=24826 ∈ [1000, 25179]，500 基因按 genes.txt 同序，X 有限无 NaN/Inf。-- **视图无关**：构造伪装视图（换路径 `/tmp/...`、manifest 键序打乱并重排版、所有输入/目标/external 阶段时间统一 +1 天）重跑，X 与坐标与真实视图**逐位相同**。-- **确定性**：seed 0/1/2 输出逐位相同（锚阶段细胞数 ≤ max_cells，分层 take 返回全部行）；无全局随机状态，15-NN 图由 cKDTree 确定构建。-- 资源：CPU ~2–3 s、峰值 <1.5 GB（`EXECUTION.json {"gpu": false}`），远低于 limits（28 GB / 30 min）。--## 7. 没验证什么 / 风险--- 提交档总收益 +0.077 **在 1 分噪声之内**；依据是 de_direction 连续量在 4 个幅度上一致上升 + de_score 一个量化步 + mmd_u 变好，不是总分。B 半可能落在父节点之下。-- nb_mmd 仍变差（PLAN 的目标之一未达成）。de_direction 的上升与 nb_mmd 的下降在本基座上同向出现，二者可能有共同成因（再闭合场的空间结构），未分离。-- 只在心脏外推代理括号（E8.25+E8.75→E9.5）上验证；该尺子已知高估外推收益。final 视图（两输入）走同一条代码路径，但真实括号的上一步方向由程序现场从输入算，未实测。-- 查分额度已用尽（19/20 + 1 次被拒的 vec-check 调用），提交档只跑了 seed 0；未做多种子查分复核。--## 8. 知识来源--未使用任何外部生物学知识、文献、数据库或记忆中的阶段测量值；`sources: []`（承 PLAN）。程序所有量（速度、总量比、中位数、15-NN 图、列缩放因子、电平中性化因子）都在运行时从 manifest 指定的输入阶段现场计算，无硬编码阶段名、细胞数、比例、尺寸或任何由已发布阶段测量值导出的常数。--## 9. 下一步建议--1. nb_mmd 是当前唯一恶化项且权重最大（25 分 + 结构门）。本节点已排除"任何形式再加平滑"（事前底物 ε↑、事后 ε_post、场平滑 β↑ 三个作用点全部单调变差），说明该基座的局部结构已过度平滑；应改从**位移场本身**入手（例如按型速度的空间相干化，即 VDIFF 在新基座 (γ1.35, ε0.1) 上重试——旧基座证否过，新基座未试）。-2. de_direction 在 β≥0.15 已进入平台（0.3839/0.3841/0.3822），提示场平滑对 DE 排序的贡献已饱和；expression_change 的进一步收益应来自 γ×ε 的未探区（1.35–1.5 之间）或速度估计器，而不是再闭合场。-3. 请勿再用"提亮"（线性域整体放大）取分：本节点已量化其对 de_score 的杠杆（+0.055）与其非物理性（违反 CP10k 不变量），属于打分器实现层面的收益。+无外部生物学知识条目；全部量为运行时从视图输入计算（型内中位、全局中位、封顶界、pb 目标、PBC 界），无任何阶段特异常数、无绝对发育时间（只用 manifest 输入的先后与时间差）。PLAN sources 为空，一致。diff --git a/solution/README.md b/solution/README.mdindex 068cbbb..14cbc78 100644--- a/solution/README.md+++ b/solution/README.md@@ -1,23 +1,20 @@-# 空间低通再闭合场（电平中性）+ 几何均值再闭合 rel 速度乘法外推（T2:heart:val_extrap，T2HX-01，节点35）+# 型内中位再闭合（封顶±3×）+ 伪批量精确复原（T2:heart:val_extrap，T2HX-01，节点40） -copy_last 基座（坐标/行序/细胞数/组成冻结）承自节点 33：锚阶段表达先在坐标 15-NN 图上做两步支撑掩码-扩散平滑（ε=0.1，零模式逐位保留，逐基因列缩放复原伪批量），再按共有细胞型的相对差速度-v_t=(m_a−m_p)/(m_p+1) 做乘法位移 x′=x_smoothed·2^(α·v̂_t)（α=1，k=0.5 MAD 软阈值），门控-（std 比 ≥0.01、spearman ≥0.3）通过后做几何再闭合 s_i=(r_med/r_i)^γ（γ=1.35）与 PBC=10 钳亮尾。+copy_last 基座（坐标/行序/细胞数/组成冻结）承自节点 35：锚阶段表达先在坐标 15-NN 图上做两步支撑掩码+扩散平滑（ε=0.1，保零模式，逐基因列缩放复原伪批量），按共有型 rel 速度 v_t=(m_a−m_p)/(m_p+1)+乘法位移 x′=x·2^(α·v̂_t)（α=1，k=0.5 软阈值），过双硬门控后做几何再闭合 s_i=(r_ref/r̃_i)^γ+（γ=1.35，r̃ 为 β_rec=0.15 空间低通+电平中性的总量比场），PBC=10 钳亮尾。 -**节点 35 改动**：再闭合的输入场从"逐细胞原始总量比 r_i"换成"在坐标 15-NN 图上扩散 1 步后的 r̃_i"-（β_rec=0.15），并把平滑场的每细胞线性总量中位数**按数据自算**重标定回未平滑场所给的值-（`VEC_REC_LEVEL=matched`，无拟合常数）——机制只改场的形状，不改库大小电平。-proxy_noscale A 半 56.869（父 56.792）：de_direction 0.3730→0.3839（连续量、4 个幅度上一致上升）、-de_score 0.2639→0.2778（+1 量化步）、mmd_u 0.04888→0.04853（变好）、variogram 持平、-nb_mmd 0.08025→0.08093（变差，PLAN 在该项的假设被证否）；结构门保持 1。+**节点 40 改动**：再闭合参考 r_ref 从全局中位改为**型内中位**（封顶 [1/3,3]×全局，型内 <30 细胞退回全局），+并在 PBC 之后按逐基因列因子（对数域 Newton，20 步，残差≤2e-15）把伪批量**精确复原**到并行计算的全局参考+（=父节点）输出上：dp、de_score、de_direction 逐位保持父值，机制只能在基因列内部再分配细胞间表达。+proxy_noscale A 半 56.869→57.332：nb_mmd 0.08093→0.07621（全树最佳，跨 5 个解码单调）、+mmd_u 0.04853→0.04630、variogram 0.035414→0.035963（小代价）、DE 两项逐位不变、形状组地板不变。 -- 运行：`python run.py --data <view> --out <pred.h5ad> --seed <int>`；CPU ~3s、<1.5GB（`EXECUTION.json gpu:false`）。-- 关闭对照：`--ablate <任意名>` → β_rec=0 且事后平滑关闭 → 输出逐位 = 节点 33（已验证）。-- 已证否（默认关，代码保留，明细见 METHOD.md）：**再闭合场平滑对 nb_mmd 的假设**（β↑ 时 nb_mmd 单调变差）、-  **提亮方向**（不做电平中性时收益全部来自库大小膨胀；纯常数 ×1.31 得 57.143 比机制本身更高，但违反 CP10k-  不变量、只在 de_score 的 chance 校正缺口上起作用，已拒绝提交）、事后伪批量守恒平滑（ε 0.15–0.7 全单调变差）、-  PBC∈{4,6,8,12}（在 γ1.35/ε0.1 下钳制不激活，逐位空操作）、k=0.4、SMOOTH_K=30，以及父节点列出的-  速度回归/全局收缩/加性解码/幅度分层/方向非对称/速度空间扩散/原始总量再闭合基准。-- 确定性：seed 0/1/2 逐位一致；伪装视图（时间 +1 天平移、manifest 键序打乱、换路径）逐位一致；-  单输入/锚≠末输入退路逐位 copy_last。+- 运行：`python run.py --data <view> --out <pred.h5ad> --seed <int>`；CPU ~8s、<2GB（`EXECUTION.json gpu:false`）。+- 关闭对照：`--ablate <任意名>` → 型内参考与 pb 复原同时关 → 输出逐位 = 节点 35（已验证）。+- PLAN 原样机制（不封顶 λ 混合）已证否：λ 0.15–1.0 全网格 de_direction 0.338→0.268、de_score 0.222→0.167+  单调崩塌（型间亮度倾斜搬动群体 pb），总分 55.6–56.0 < 父；pb 复原解码正是针对这一失败通道。+- 其余已证否方向（默认关，代码保留，明细见 run.py docstring 与 METHOD.md）：再闭合场平滑对 nb_mmd 的假设、+  提亮方向、事后平滑、PBC∈{4,6,8,12}、k=0.4/0.6、SMOOTH_K=30、γ=1.45（持平）、TYPE_MIN=60（无差）。+- 确定性：seed 0/1/2 逐位一致；伪装视图（时间 +1、键序打乱、换路径）逐位一致；单输入退路逐位 copy_last。diff --git a/solution/run.py b/solution/run.pyindex 61c073f..f00ee1f 100644--- a/solution/run.py+++ b/solution/run.py@@ -24,12 +24,47 @@ Mechanism (on by default, alpha = 1.0):  Coordinates, row order and cell count are never modified. ---ablate <name> (any name) turns THIS node's mechanism (the spatial low-pass-of the re-closure field, see the node 35 block in main()) off and keeps the-rest of the pipeline unchanged (raw per-cell total ratio = parent node 33,-verified bit-for-bit).+--ablate <name> (any name) turns THIS node's mechanism (the per-type+re-closure reference + pb-restore, node 40) off and keeps the rest of the+pipeline unchanged: the re-closure reference reverts to the global median+and the pb-restore is skipped, making the output bit-for-bit parent node 35+(verified by array comparison). -Node 35 addition on top of node 33 (the submitted configuration):+Node 40 addition on top of node 35 (the submitted configuration):++(9) Per-type re-closure reference, capped and pb-restored+    (VEC_REC_SCOPE=type, VEC_REC_CAP=3.0, VEC_REC_TYPE_MIN=30,+    VEC_REC_LAMBDA=1.0, VEC_PB_RESTORE=1, VEC_PB_RESTORE_ITERS=20).+    The gamma=1.35 re-closure divides by (r~/r_med_global)**gamma -- a+    single global reference erases the type-level total structure the+    displacement created. Referencing each cell to its OWN TYPE's median of+    the smoothed ratio field instead (capped to [1/3, 3]x the global median+    to protect the extreme-velocity types whose raw medians reach 44823x and+    would pin 19% of all cells at the PBC clamp) keeps that structure.+    The PLAN as specified (uncapped type medians, lambda blend) is+    FALSIFIED: lambda 1.0/0.5/0.3 -> A-half 55.63/56.01/56.02 vs parent+    56.869, with de_direction 0.268/0.318/0.333 and de_score 0.167/0.222/+    0.222 breaking the PLAN guards (>=0.383/>=0.2778) monotonically in+    lambda -- the between-type brightness tilt moves the population+    pseudobulk away from the true dp ranking, and the variogram pays the+    rest. The submitted decode protects dp BY CONSTRUCTION: the+    global-reference (parent) re-closure is computed in parallel and each+    gene column of the type-scoped output is rescaled by a single Newton-+    solved factor so the final per-gene pseudobulk equals the parent's+    exactly (max residual 1.8e-15; de_score/de_direction come out+    bit-for-bit at the parent's 0.2778/0.3839). The mechanism can then only+    REDISTRIBUTE expression between cells within each gene column.+    A-half (deterministic scorer): cap 1.5/2/2.5/3/inf -> 57.190/57.290/+    57.317/57.332/57.271 vs parent 56.869. SUBMITTED cap=3.0: nb_mmd+    0.08093 -> 0.07621 (tree best, monotone in mechanism strength across 5+    decodes -> structural), mmd_u 0.04853 -> 0.04630 (PLAN target <=0.046+    met), variogram 0.035414 -> 0.035963 (small cost), cell total median+    1.825x -> ~1.5x base (CLOSER to the exact CP10k invariant of measured+    stages). gamma=1.45 on this base: 57.323 (flat, de_score -1 step) --+    gamma=1.35 kept. TYPE_MIN=60 without restore measured the same as 30+    under the cap (extreme small types are capped anyway).++Node 35 addition on top of node 33:  (8) Spatially low-passed re-closure field, level-neutral by construction     (VEC_BETA_REC=0.15, VEC_REC_STEPS=1, VEC_REC_K=15, VEC_REC_LEVEL=matched).@@ -272,6 +307,8 @@ VEC_C (0.0 = pure multiplicative), VEC_K (0.5), VEC_GAMMA (1.35), VEC_RECLOSE_GEO (1), VEC_BETA_REC (0.15), VEC_REC_STEPS (1), VEC_REC_K (15), VEC_REC_LEVEL (matched), VEC_REC_BRIGHT (1.0 = off, diagnostic only),+VEC_REC_SCOPE (type), VEC_REC_TYPE_MIN (30), VEC_REC_LAMBDA (1.0),+VEC_REC_CAP (3.0), VEC_PB_RESTORE (1), VEC_PB_RESTORE_ITERS (20), VEC_POST_EPS (0.0 = off, falsified), VEC_POST_STEPS (2), VEC_POST_K (15), VEC_PBC (10.0), VEC_MIXMODE (rel), VEC_MIXREL (1.0), VEC_MIXEPS (1.0), VEC_DOMAIN (log), VEC_SOFTD (0), VEC_CAPD (0), VEC_CVEL (-1 = legacy@@ -327,6 +364,12 @@ BETA_REC = float(os.environ.get("VEC_BETA_REC", "0.15"))  # node 35: spatial low REC_STEPS = int(os.environ.get("VEC_REC_STEPS", "1"))  # diffusion steps of the re-closure field smoothing REC_K = int(os.environ.get("VEC_REC_K", "15"))  # coordinate neighbours of the re-closure field smoothing REC_LEVEL = os.environ.get("VEC_REC_LEVEL", "matched")  # "matched": renormalise the smoothed re-closure field to the median linear total the unsmoothed field would give (data-derived, no tuned constant)+REC_SCOPE = os.environ.get("VEC_REC_SCOPE", "type")  # node 40 re-closure reference: "type" = per-type median of the smoothed ratio field (mechanism on), "global" = global median (parent node 35, bit-for-bit)+REC_TYPE_MIN = int(os.environ.get("VEC_REC_TYPE_MIN", "30"))  # types with fewer anchor cells than this use the global median (PLAN risk 1: unstable per-type medians)+REC_LAMBDA = float(os.environ.get("VEC_REC_LAMBDA", "1.0"))  # blend of the per-type reference toward the global one: r_ref = (1-lam)*r_med_global + lam*r_med_type (PLAN fallback grid)+REC_CAP = float(os.environ.get("VEC_REC_CAP", "3.0"))  # clamp the per-type reference to [r_med_global/CAP, r_med_global*CAP] (0 = off); protects extreme-velocity types from pinning at the PBC cap -- uncapped type medians span 0.44x..44823x the global median on this view+PB_RESTORE = os.environ.get("VEC_PB_RESTORE", "1") not in ("0", "", "false", "False")  # node 40 submitted decode: after the type-scoped re-closure, rescale each gene column (Newton solve) so the pseudobulk equals the GLOBAL-reference (parent) re-closure's EXACTLY -- dp, hence de_score/de_direction, preserved bit-for-bit; the mechanism can then only REDISTRIBUTE expression between cells/types, never tilt the population mean+PB_RESTORE_ITERS = int(os.environ.get("VEC_PB_RESTORE_ITERS", "20"))  # Newton iterations of the log-domain column solve (convex monotone problem, steps clipped to e^+-5; residual < 1e-9) REC_BRIGHT = float(os.environ.get("VEC_REC_BRIGHT", "1.0"))  # diagnostic: constant linear-domain multiplier on the re-closure scale s_i (1.0 = off); isolates the brightening side-effect of field smoothing from its dispersion removal POST_EPS = float(os.environ.get("VEC_POST_EPS", "0.0"))  # node 35 submitted mechanism: support-masked diffusion smoothing AFTER re-closure+PBC, with exact per-gene pseudobulk restoration (0 = off) POST_STEPS = int(os.environ.get("VEC_POST_STEPS", "2"))  # diffusion steps of the post-hoc smoothing@@ -565,13 +608,15 @@ def main() -> None:     shrink_on = SHRINK_N0 > 0.0 and args.ablate is None     vdiff_w = VDIFF_W if args.ablate is None else 0.0     reclose_geo = RECLOSE_GEO-    # Node 35 off-control: --ablate <any> turns OFF the node's mechanism and-    # nothing else. The SUBMITTED mechanism is the post-hoc pseudobulk-preserving-    # smoothing pass (post_on); the PLAN's original re-closure field smoothing-    # (beta_rec) was falsified and ships at 0, but --ablate disables it too so-    # the ablated run is bit-for-bit parent node 33 either way.-    beta_rec = BETA_REC if args.ablate is None else 0.0-    post_on = args.ablate is None+    # Node 40 off-control: --ablate <any> turns OFF THIS node's mechanism+    # (per-type re-closure reference) and NOTHING else: the re-closure+    # reference reverts to the global median, all node-35 components+    # (beta_rec=0.15, REC_LEVEL=matched, post pass off) stay as submitted, so+    # the ablated run is bit-for-bit parent node 35 (verified).+    beta_rec = BETA_REC+    post_on = True+    rec_scope_type = REC_SCOPE == "type" and args.ablate is None+    pb_restore_on = PB_RESTORE and rec_scope_type      manifest = load_manifest(args.data)     genes = panel_genes(args.data, manifest)@@ -598,6 +643,7 @@ def main() -> None:             # ORIGINAL stage matrices; the displacement is applied to the             # smoothed anchor Xs. steps=0/eps=0 -> Xs is Xa bit-for-bit.             Xs, sinfo = spatial_smooth(Xa, coords, SMOOTH_STEPS, SMOOTH_EPS, SMOOTH_K)+            pb_target = None  # node 40 backup decode: set only when pb_restore_on             if DEBUG:                 print(f"smooth: active={sinfo['active']} steps={SMOOTH_STEPS} eps={SMOOTH_EPS} "                       f"k={SMOOTH_K} changed_frac_pos={sinfo.get('changed_frac_pos', 0.0):.4f} "@@ -767,8 +813,60 @@ def main() -> None:                         else:                             r_use = r                         r_med = float(np.median(r_use))-                        sg = np.power(np.divide(np.full_like(r_use, r_med),-                                                np.maximum(r_use, 1e-12)), gamma)+                        if rec_scope_type:+                            # Node 40 mechanism: per-type re-closure reference.+                            # s_i = (r_ref_i / r~_i)**gamma with r_ref_i the+                            # median of the smoothed ratio field WITHIN cell+                            # i's own type (capped to [1/CAP, CAP] x the global+                            # median; types with < REC_TYPE_MIN cells use the+                            # global median). NOTE: the PLAN's motivation+                            # ("measured stages have natural between-type total+                            # differences") is FALSE for this data -- every+                            # input stage is exactly CP10k (per-cell totals+                            # 1e4, per-type medians identical, measured at+                            # runtime). What r_med_type actually carries is+                            # the type-specific velocity-induced inflation+                            # (0.44x..44823x the global median on the proxy+                            # view); referencing per type RETAINS a type-level+                            # total structure proportional to the displacement+                            # instead of erasing it, which empirically+                            # tightens the per-type clouds the way the truth's+                            # distribution expects (mmd_u 0.04853 -> 0.0463,+                            # nb_mmd 0.08093 -> 0.0762, tree best) while the+                            # pb-restore below keeps dp (de_score/de_direction)+                            # bit-for-bit at the parent's.+                            lab_rec = np.asarray(stage.labels[rows]).astype(str)+                            r_flat = r_use.ravel()+                            r_ref = np.full_like(r_flat, r_med)+                            t_meds: list[tuple[str, int, float]] = []+                            for t in sorted(set(lab_rec.tolist())):+                                m_t = lab_rec == t+                                n_t = int(m_t.sum())+                                tm = float(np.median(r_flat[m_t])) if n_t >= REC_TYPE_MIN else r_med+                                if REC_CAP > 0.0:+                                    tm = float(np.clip(tm, r_med / REC_CAP, r_med * REC_CAP))+                                if n_t >= REC_TYPE_MIN:+                                    r_ref[m_t] = tm+                                t_meds.append((t, n_t, tm))+                            r_ref = (1.0 - REC_LAMBDA) * r_med + REC_LAMBDA * r_ref+                            sg = np.power(np.divide(r_ref[:, None],+                                                    np.maximum(r_use, 1e-12)), gamma)+                            if DEBUG:+                                med_t = np.array([tm for _, _, tm in t_meds])+                                cv = float(med_t.std() / max(med_t.mean(), 1e-12))+                                print(f"rec_scope: type lam={REC_LAMBDA} "+                                      f"n_types={len(t_meds)} r_med_global={r_med:.4f} "+                                      f"type_med_cv={cv:.4f} "+                                      f"type_med_ratio_min={float((med_t / r_med).min()):.4f} "+                                      f"max={float((med_t / r_med).max()):.4f} "+                                      f"small_types={sum(1 for _, n_t, _ in t_meds if n_t < REC_TYPE_MIN)}",+                                      flush=True)+                                for t, n_t, tm in t_meds:+                                    print(f"  rmed {t}: n={n_t} r_ref={tm:.4f} ratio={tm / r_med:.4f}",+                                          flush=True)+                        else:+                            sg = np.power(np.divide(np.full_like(r_use, r_med),+                                                    np.maximum(r_use, 1e-12)), gamma)                         if REC_LEVEL == "matched" and beta_rec > 0.0:                             # Level-neutrality by construction: rescale the                             # smoothed-field scale so the MEDIAN per-cell linear@@ -787,6 +885,38 @@ def main() -> None:                             sg = sg * (m_raw / max(m_sm, 1e-12))                         if REC_BRIGHT != 1.0:                             sg = sg * REC_BRIGHT+                        pb_target = None+                        if pb_restore_on:+                            # PB-restoring decode (node 40 backup mechanism):+                            # run the GLOBAL-reference re-closure in parallel+                            # (bit-for-bit the parent node 35 pass, incl. the+                            # matched level and the PBC clamp) and record its+                            # per-gene pseudobulk. After the type-scoped pass+                            # (and its PBC clamp), each gene column is rescaled+                            # by a single factor (Newton solve) so the final+                            # pseudobulk equals this target EXACTLY: dp, hence+                            # de_score/de_direction, is preserved bit-for-bit,+                            # and the mechanism can only REDISTRIBUTE+                            # expression between cells within a gene column,+                            # never tilt the population mean. Both passes are+                            # pure functions of the input data -- no fitted or+                            # tuned constants.+                            sg_par = np.power(np.divide(np.full_like(r_use, r_med),+                                                        np.maximum(r_use, 1e-12)), gamma)+                            if REC_LEVEL == "matched" and beta_rec > 0.0:+                                sg_raw_p = np.power(np.divide(np.full_like(r, float(np.median(r))),+                                                              np.maximum(r, 1e-12)), gamma)+                                m_raw_p = float(np.median((lin * sg_raw_p).sum(axis=1)))+                                m_par = float(np.median((lin * sg_par).sum(axis=1)))+                                sg_par = sg_par * (m_raw_p / max(m_par, 1e-12))+                            Xpar = np.log1p(lin * sg_par)+                            if PBC > 0:+                                lin_par = np.expm1(Xpar)+                                tot_par = lin_par.sum(axis=1, keepdims=True)+                                base_par = float(np.median(np.expm1(Xa).sum(axis=1)))+                                sc_par = np.minimum(1.0, (PBC * base_par) / np.maximum(tot_par, 1e-12))+                                Xpar = np.log1p(lin_par * sc_par)+                            pb_target = Xpar.mean(axis=0)                         Xp = np.log1p(lin * sg)                         if DEBUG:                             lraw = np.log(np.maximum(r, 1e-12)).ravel()@@ -844,9 +974,33 @@ def main() -> None:                         print(f"pbc: cap={PBC} clamped_frac={float((sc < 1).mean()):.4f} "                               f"post_tot med={float(np.median(np.expm1(Xp).sum(axis=1)) / base):.3f}",                               flush=True)+                if pb_target is not None:+                    # Column restore (node 40 backup decode): per-gene factor+                    # c_g solving mean_i log1p(lin_ig * c_g) = pb_target_g by+                    # Newton (h(c) is concave increasing -> monotone safe with+                    # a positivity clamp). Zeros stay zero (both passes share+                    # the support), coordinates untouched.+                    Lin = np.expm1(Xp)+                    u = np.zeros(Lin.shape[1], dtype=np.float64)+                    active = pb_target > 0.0+                    for _ in range(PB_RESTORE_ITERS):+                        c_it = np.exp(u)+                        Lc = Lin * c_it+                        h = np.log1p(Lc).mean(axis=0) - pb_target+                        d = (Lc / (1.0 + Lc)).mean(axis=0)  # dh/du >= 0+                        step = np.divide(-h, d, out=np.zeros_like(u),+                                         where=(d > 1e-15) & active)+                        u = u + np.clip(step, -5.0, 5.0)+                    c = np.exp(u)+                    Xp = np.log1p(Lin * c)+                    if DEBUG:+                        resid = float(np.max(np.abs(np.log1p(Lin * c).mean(axis=0) - pb_target)))+                        print(f"pb_restore: iters={PB_RESTORE_ITERS} max_resid={resid:.3e} "+                              f"c_min={float(c.min()):.4f} c_max={float(c.max()):.4f} "+                              f"c_med={float(np.median(c)):.4f}", flush=True)                 if POST_EPS > 0.0 and POST_STEPS > 0 and post_on:-                    # Node 35 submitted mechanism (PLAN alternative after the-                    # re-closure-field smoothing was falsified): a post-hoc+                    # FALSIFIED alternative (node 35, default off -- POST_EPS+                    # ships at 0.0): a post-hoc                     # support-masked diffusion pass on the coordinate k-NN                     # graph, applied AFTER the displacement, re-closure and                     # clamp, with an exact per-gene column rescale that

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

All verification passes. Final state of `solution/` is complete and consistent.

## 会话总结

**做了什么**：按 PLAN 实现型内中位再闭合（`s_i=(r_med_type/r̃_i)^γ`，`--ablate` 退回全局中位=父节点35逐位）。PLAN 原样机制（不封顶 λ 网格 0.15/0.3/0.5/1.0）证否：mmd_u 单调改善但 de_direction/de_score 单调崩塌（0.384→0.268），全网格低于父。离线实测还修正了 PLAN 动机——锚阶段是精确 CP10k，型间总量差全部来自速度膨胀而非"天然差异"。

**提交的备选机制**（同族、同弱项）：型内参考**封顶 ±3×** + **逐基因伪批量精确复原**（并行跑父节点全局路径，Newton 列缩放使 dp 逐位守恒，残差 2e-15）——DE 两项按构造冻结在父值，机制只能在基因列内再分配。

**查分结果**（18/20 已用，评分器确定性已复核）：提交档 A 半 **57.332**（父 56.869，+0.463）；nb_mmd 0.08093→**0.07621 全树最佳**（跨 5 个解码单调=结构性），mmd_u 0.04853→0.04630（PLAN 目标达成），variogram 微付 0.00055，PLAN 三守卫全过。seed/伪装视图/单输入退路/vec-check 全部逐位验证；8.1s、1.9GB。

**下一步最值得试**：(1) pb-复原把"任何再分配类机制"的 DE 风险降为零——可在此保护层下试更激进的列内再分配（如型内 r̃ 分位映射替代幂律、或按邻域均值的 r̃ 参考），直接冲 nb_mmd/mmd_u；(2) variogram 是本档唯一付出项，试在复原后加逐基因二阶矩（列内方差）对齐；(3) cap∈[2.5,3] 平台已平坦，别再细扫。教训给后续节点：查分前先离线确认输出与父逐位不同（本节点 3 次额度浪费在默认值笔误的静默空操作上）。

调研员

ill 0.551），显著差于节点31的0.04464（γ=0.45时）。节点33将γ从0.45推到1.35后 de_direction/de_score 大幅改善（0.3213→0.3763），但 mmd_u 从0.04464恶化到0.04782——γ越大，逐细胞总量越被压向全局中位数，抹平了不同细胞型之间天然的总量水平差异。真值中不同型（心肌、内皮、间质等）的细胞大小/总量有系统差异，全局再闭合把这个型间信号压掉了，导致细胞状态分布（mmd_u）偏离。cell_state组58.92是除地板形状组外最弱的可动组。",
  "approach": "在父节点35管线上只改再闭合步骤的参考点：将 s_i=(r_med_global/r̃_i)^γ 改为 s_i=(r_med_type(i)/r̃_i)^γ，其中 r_med_type(i) 是细胞 i 所属型内所有锚细胞的总量比中位数。实现步骤：(1) 在再闭合前按型分组计算 r̃ 的中位数 r_med_t；(2) 对型 t 中每个细胞用 s_i=(r_med_t/r̃_i)^γ；(3) 其余全部冻结（α=1, k=0.5, γ=1.35, ε=0.1, β_rec=0.15, SMOOTH_STEPS=2, K=15, PBC=10, 门控）。环境变量 VEC_REC_SCOPE=type|global 控制开关（默认type，global退化为父节点）。单输入阶段退路不变（逐位回退copy_last）。若 type 版 mmd_u 改善但 nb_mmd 恶化超守卫，试折中方案：r_ref_i = (1-λ)·r_med_global + λ·r_med_type(i)，λ∈{0.3,0.5,0.7,1.0}。守卫：nb_mmd raw≤0.0820、de_direction≥0.383、de_score≥0.2778。预计3-5次查分（type/1.0 + λ网格3档 + 可能的γ微调1档）。",
  "expected_groups": ["cell_state"],
  "risks": "(1) 型内细胞数少（<50）的型中位数不稳，可加守卫：型内细胞<30时该型用全局中位；(2) 恢复型间总量差异可能在型边界处制造表达不连续，恶化 nb_mmd——用守卫≤0.0820监控，若破线则用λ折中；(3) 型间总量差异可能不是 mmd_u 恶化的主因（可能是型内宽度问题），此时机制无效但无副作用（γ不变、DE不变）——Engineer 第一次查分即可判断：若 mmd_u 不动（±0.001内）则假设不成立，按边界规则提交机制关态。尽早发现方式：先离线算型间总量比中位数的变异系数（若<5%则说明型间差异本就小，机制无空间）。",
  "family_id": "T2HX-01",
  "mechanism": "将几何再闭合的参考总量从全局中位改为型内中位，让再闭合只消除型内总量变异而不抹平型间天然总量差异，从而保持不同细胞型在表达空间中的正确位置分离。",
  "vs_constant_shift": "常数位移是每型一个固定乘数（所有细胞同幅度缩放）；本机制保持逐细胞的非线性总量修正（(r_med_t/r̃_i)^γ 仍依赖每个细胞自身的总量比），只改变参考点从全局中位到型内中位。它不是给每型加一个常数，而是让型内的再闭合不再被型间偏差污染。",
  "mechanism_evidence": "(1) 离线诊断：计算各型的 r_med_type 与 r_med_global 的比值，若型间变异>10%则说明机制有作用空间；(2) mmd_u raw 从0.04751向0.04464方向回落（目标≤0.046）；(3) 型间总量变异系数（std/mean of per-type median totals）在预测中恢复（对照父节点被压缩的值）；(4) de_direction/de_score 不变（±0.005内），证明改动不影响基因排序；(5) 四组分变化：cell_state升、expression_change平、local_spatial平或微升、shape_scale不变。",
  "mechanism_off_control": "环境变量 VEC_REC_SCOPE=global（或 --ablate rec_scope）时，再闭合参考点退回全局中位数，输出与父节点35逐位相同（X array_equal=True、坐标不变）。预期差别：关闭后 mmd_u 回到0.04751，开启后若机制有效则 mmd_u 下降≥0.002。若开关无差别（mmd_u 变化<0.001），说明型间总量差异本就极小，机制未运行。",
  "sources": []
}
```

审查员

REVIEW.json written