实验设计
========

切换语言: :doc:`../en/Experiments`

实验组织思路
+++++++++++++++

这个项目不是只实现一个模型，而是以结构化 benchmark 的方式组织。``TASK.md``
中已经把工作拆分为模型矩阵、融合消融和跨细胞系泛化分析。

主实验矩阵
+++++++++++++++

当前计划包含 ``E01`` 到 ``E16``：

- ``E01``: M1 单路 CNN 基线
- ``E02``: M2 双路 CNN 基线
- ``E03``: M2 + ``concat_sub_mul`` 融合
- ``E04``: M3 k-mer + CNN
- ``E05``: M4 BiLSTM
- ``E06``: M6 标准 Transformer
- ``E07``: M11 CNN + BiLSTM
- ``E08``: M12 CNN + Transformer
- ``E09``: M13 DNABERT-2 frozen
- ``E10``: M13 HyenaDNA fine-tune
- ``E11``: M9 Mamba
- ``E12``: M7 Linear Transformer
- ``E13``: M8 iTransformer
- ``E14``: M10 RWKV
- ``E15``: M5 mLSTM
- ``E16``: M14 MAE 预训练 + 微调

融合策略消融
+++++++++++++++

融合策略本身也是研究维度之一，当前规划包括：

- ``F01``: concat
- ``F02``: add
- ``F03``: subtract
- ``F04``: multiply
- ``F05``: bilinear
- ``F06``: concat_sub_mul

为什么这个对比重要
+++++++++++++++++++

EPI 本质上是配对建模问题。即使单路编码器很强，如果 enhancer 与 promoter 的
组合表示不足，最终效果仍然会受限。因此这个项目显式拆开两个问题：

- 序列编码器本身是否足够强；
- enhancer 与 promoter 特征的融合方式是否足够有效。

随机种子策略与可复现性
+++++++++++++++++++++++++

每个实验计划运行五个随机种子：

- seed ``0``
- seed ``1``
- seed ``2``
- seed ``3``
- seed ``4``

这样可以降低偶然性，避免只根据单次运行结果下结论。

每个实验的预期输出
+++++++++++++++++++++

每个 seed 目录都应保存：

- 配置快照；
- checkpoint；
- 训练历史；
- 测试指标；
- ROC 曲线；
- PR 曲线。

实验层面则进一步汇总均值和标准差。

展示价值
+++++++++++++++

这样的实验设计体现的不只是“把模型写出来”，还包括：

- 对基线的保留；
- 对模型扩展的系统性；
- 对可复现训练组织的重视；
- 对消融实验的明确规划；
- 对序列建模比较研究的实际可操作性。

.. image:: ../img/div.png