[ScRAT] utils.py _ sampling()

sampling() 함수는
**환자 단위 index 목록(train/test용)을 입력받아, 각 환자에서 지정된 수(train_sample_cells, test_sample_cells) 만큼의 세포를 뽑아 여러 개의 샘플(bag)을 만드는 역할을 합니다.

구체적으로는:

1. 입력
   • args: 학습 파라미터 (train_sample_cells, test_sample_cells, train_num_sample, test_num_sample, all 등)
   • train_p_idx: 학습용 환자별 세포 index 리스트
   • test_p_idx: 검증+테스트용 환자별 세포 index 리스트
   • labels_: 원본 라벨 배열
   • labels_augmented: mixup 등으로 augment된 라벨 배열
   • cell_type_augmented: augment된 세포 타입 정보
2. 동작 방식
   • args.all == 0인 경우:
     • 각 환자에 대해:
       • train set: train_sample_cells 개의 세포를 뽑아 하나의 샘플(bag)을 구성, 이를 train_num_sample 번 반복 → 여러 bag 생성
       • test set: test_sample_cells 개를 뽑아 bag 구성, 이를 test_num_sample 번 반복
       • 세포 수가 지정 개수보다 적으면 남는 자리는 -1로 채움
   • args.all != 0인 경우:
     • 해당 환자의 모든 세포 index를 그대로 하나의 샘플로 사용 (랜덤샘플링 없음)
3. 출력
   • individual_train: 학습용 각 환자의 bag 목록
     (구조: [[ (cell_indices, label), (cell_indices, label), ... ], ...])
   • individual_test: 검증+테스트용 각 환자의 bag 목록

---

📌 쉽게 말하면
sampling()은 ScRAT이 사용하는 Multiple Instance Learning 형태의 입력 구성을 위해,
"환자별로 일정 수의 세포를 뽑아 여러 bag으로 나누는" 전처리 단계입니다.
이렇게 만들어진 bag들이 이후 train()에서 배치 단위로 모델에 들어갑니다.

 

---

 

sampling() 동작 비교

항목	args.all = 1 (default)	args.all = 0
샘플(=bag) 구성	환자의 모든 세포 index를 한 번에 하나의 bag으로 사용	지정 개수만큼 무작위로 뽑아 bag 생성
환자당 bag 개수	1개	Train: train_num_sample개, Eval(Test/Valid): test_num_sample개
세포 수	Train: 각 환자별 세포 수의 최대길이로 패딩 고정 (최장 환자 길이에 맞춰 -1 패딩)Eval: 그대로 사용(패딩 없음)	Train: train_sample_cells만큼 고정 길이로 샘플링(부족 시 -1로 패딩)Eval: min(len(idx), test_sample_cells)만큼 샘플링
랜덤성	없음(샘플링/순서 무작위 없음) → 결정론에 유리	있음(매 bag마다 np.random.choice) → 재현성 방해 요인
train_sample_cells, test_sample_cells 사용 여부	미사용 (실질적 무시)	사용 (샘플 길이와 데이터 다양성 결정)
train_num_sample, test_num_sample 영향	미미 (환자당 bag=1이라 증폭 없음)	큼 (bag 수를 직접 결정 → 학습 데이터량/에폭당 스텝 수 증가)
메모리/연산량	Train: 환자당 bag 1개 + 긴 시퀀스(최장 환자) → 시퀀스 길이 부담 큼, 배치 적음	bag 수가 많고 길이는 짧음 → 미니배치 학습에 유리, 총 연산량은 하이퍼파라미터에 좌우
클래스 불균형 완화	어려움(환자당 1 bag)	부분 완화 가능(클래스가 적어도 bag 수로 보완)
주 용도/장점	길이 변동 없이 전체 세포 신호를 보전하고 싶을 때, 재현성 강화	데이터 증강/일반화 성능을 높이고 싶을 때, 미니배치 효율↑

---

모식도 (입·출력 구조 느낌)

• 공통 입력:
  train_p_idx: 환자별 세포 인덱스 배열 리스트, test_p_idx: (valid+test)용 리스트
  labels_ / labels_augmented: 환자(또는 mixup) 라벨

all = 1 (환자당 1 bag, 패딩 고정)

• Train:
  • 환자 A index: [10, 20, 30, 40] → max_length=100이라면 → [10,20,30,40,-1,-1,...(총 100)]
  • 각 환자에 대해 딱 1개 bag 생성
• Eval(Valid/Test):
  • 환자별 index를 그대로 1개 bag (패딩 없음)

all = 0 (무작위 샘플링, 다수 bag)

• Train:
  • 환자 A index에서 train_sample_cells개씩 중복 없이 샘플링 → 이를 train_num_sample번 반복
  • 세포가 부족하면 -1로 패딩
• Eval(Valid/Test):
  • 환자별로 sample_cells = min(len(idx), test_sample_cells)를 샘플링 → test_num_sample개 bag

---

언제 무엇을 쓰면 좋을까?

• 정확한 재현 실험 / 디버깅: all=1
• 성능 향상/일반화(데이터가 상대적으로 적거나 환자당 세포 수가 많아 과적합 우려): all=0 + 적절한 train_num_sample, test_num_sample, train/test_sample_cells