davepoon/buildwithclaude / plugins/all-skills/skills/mcm-o-guide
mcm-o-guide
VerifiedMCM/ICM 优秀论文写作全流程指南——基于 502 篇历年获奖论文(2004–2024)语料库的结构化分析与评委点评提炼。覆盖:摘要逐句模板、6 类题型模型选择矩阵、25 页页预算分配、图表黄金法则、灵敏度/稳健性分析范式、全文一致性检查清单。当用户准备美赛、写论文、打磨论文、查结构、选模型、做摘要、看评委标准、读优秀论文时使用。也适用于任何需要高质量数学建模论文写作的场景。
references/end-to-end-case-C.md
View on GitHub# 端到端案例:C 题(数据洞察)2021 大黄蜂入侵
## 0 案例概述
**题目:** 2021 MCM Problem C — "Asian Giant Hornet (AGH) Invasion"
**核心问题:** 如何利用公众目击数据追踪并消灭入侵的亚洲大黄蜂?
**6 个子任务:**
1. 建立模型预测大黄蜂在华盛顿州的扩散
2. 建立"误判报告"识别系统
3. 建立优先级策略,按"真实可能性"排序报告
4. 提供定期更新模型的方法
5. 提出消灭判定标准
6. 写 Memo 给农业部门
**最终成果:** 25 页论文,17 图,16 表,参考文献 8 篇
---
## 1 题目拆解
| 子任务 | 输入 | 输出 | 建模方向 |
|---|---|---|---|
| 1 | 首次发现位置 + 4389 条目击报告 | 未来分布预测 | 空间仿真 |
| 2 | 报告(文字 + 图片) | 误判 vs 真实 | 图像分类 + NLP |
| 3 | 报告 + 概率估计 | 优先级排序 | 贝叶斯推断 |
| 4 | 新报告(增量) | 更新后的分布 | 在线学习 |
| 5 | 模型输出 + 时间 | 是否消灭 | 统计判定 |
| 6 | 全部结论 | Memo | 政策建议 |
**关键识别:** 这是一个**多模态融合**题目(空间数据 + 图像 + 文字 + 时序)。
单一模型无法覆盖全部任务,必须设计模型链。
---
## 2 模型链设计
```
数据预处理 → CA 扩散模型 → 概率分布 P(AGH|区域,t)
↓
图像分类(VGG-11 + SVM)→ P(真报|图片)
↓
朴素贝叶斯推断 → P(真实目击|报告)
↓
优先级排序策略
↓
Baum-Welch 在线更新 → 更新后的 CA 分布
↓
消灭判定(连续无阳性报告)
```
**4 个模型 + 2 个辅助系统**,覆盖全部 6 个子任务。
### 模型 1:元胞自动机(CA)扩散模型
**核心创新:** 将大黄蜂季节性行为嵌入 CA 更新规则
| 元素 | 设计 |
|---|---|
| 网格 | 45×65 = 2925 个 12km×12km 单元 |
| 邻域 | Moore 邻域(8 邻居) |
| 更新规则 | 夏季:繁殖 + 扩散;冬季:衰亡 + 静止 |
| 适居指数 | S = -log(P) + B(人口 + 地理障碍) |
| 转移概率 | T = softmax(S_adj) × a(softmax 归一化) |
**为什么这样设计:**
- CA 适合空间离散扩散(Markov 性质)
- 季节性规则符合大黄蜂生物学
- softmax 转移概率自然归一化,避免手工调权
### 模型 2:图像分类
**核心设计:** 两阶段分类(预训练 VGG-11 → SVM)
| 元素 | 设计 |
|---|---|
| 基础架构 | 预训练 VGG-11(迁移学习) |
| 分类器 | SVM(处理小样本 + 不平衡) |
| 数据增强 | 旋转 + 裁剪 + 高斯模糊(扩充阳性样本) |
| 划分 | 训练 2019-09-19 至 2020-05-15;测试 2020-05-15 后 |
| 指标 | 准确率 90.2%,AUROC 94.4% |
**为什么 VGG+SVM 而非端到端微调:**
- 阳性样本仅 14 条(0.3%),端到端训练会过拟合
- VGG 提取通用视觉特征,SVM 在小样本下更稳健
- 数据增强扩充阳性样本,缓解不平衡
### 模型 3:朴素贝叶斯推断
**核心设计:** 多源概率融合
```
P(真实目击|报告) = P(AGH|区域,t) × P(报告频率|区域,t) × P(真报|图片)
```
三个因子分别来自 CA 模型、报告统计、图像分类。
朴素贝叶斯假设三者独立,便于组合多模态证据。
### 模型 4:Baum-Welch 在线更新
**核心创新:** 借鉴 HMM 参数学习,实现 CA 的在线更新
```
新报告到达 → Monte Carlo 采样后验 → 更新 CA 参数 → 重跑扩散
```
**为什么这样设计:**
- 静态模型无法适应新数据
- Baum-Welch 是 HMM 参数学习的经典方法,移植到 CA 是创新组合
- Monte Carlo 采样避免解析后验不可行的问题
---
## 3 数据驱动创新(本题最大亮点)
### 3.1 关键观察
> 4389 条目击报告,仅 14 条阳性(0.3%)
### 3.2 反直觉推断
> 既然 99.7% 是误报,那报告频率反映的不是大黄蜂分布,而是**人口分布**。
### 3.3 模型创新
用误报数据反推人口分布:
```
P(x,y) = Σ_r 1/(√(2π)σ) × exp(-((x-rx)²+(y-ry)²)/(2σ²))
```
其中 r 是报告位置,σ 是可调参数。
### 3.4 验证
将拟合的人口分布与实际城市位置对比:
- ✅ 成功定位 Vancouver、Seattle、Portland(西海岸三大城市)
- ✅ 成功识别 Spokane、Kennewick(东部、南部城市)
- ✅ 中南部空白区对应 Yakama 印第安保留地(人口稀少)
**这就是"数据驱动创新"——不是被动使用数据,而是从数据中发现非显然的模式。**
---
## 4 灵敏度分析
### 4.1 方法:初始条件扰动 + KL 散度
```
9 组不同初始分布 → 各自跑 CA → 在 t=300,600,1800,3600 比较输出分布
→ 计算 KL 散度 → 构造 95% 置信区间
```
### 4.2 结论
> "Result shows that our model is robust against disturbance, and the 95% confident interval tends to become even smaller as the evolution continues."
### 4.3 为什么这个灵敏度分析高于平均
| 普通做法 | 本文做法 |
|---|---|
| 扫 1-2 个参数 ±10% | 扰动初始分布(9 组) |
| 只看均值变化 | 用 KL 散度量化分布差异 |
| 给一个表格 | 构造 95% 置信区间 + 可视化 |
| 结论:"模型稳定" | 结论:"置信区间随时间缩小"(有理论支撑) |
---
## 5 摘要拆解
### 摘要数字密度(极高)
| 数字 | 含义 |
|---|---|
| 2925 | 网格单元数 |
| 12km | 单元边长 |
| 4389 | 报告总数 |
| 14 | 阳性报告数 |
| 0.3% | 阳性比例 |
| 90.2% | 图像分类准确率 |
| 94.4% | AUROC 分数 |
| 95% | 置信区间 |
| 1000 | 初始种群 |
**共 9+ 个具体数字——远超中位数(4-6 个)。**
### 摘要结构
| 段落 | 修辞动作 | 亮点 |
|---|---|---|
| 背景 | 1 句引入 → 3 个目标 | 简洁 |
| Task 1 | CA 模型 → 3 条动态结论 | 编号列举 + 地名 |
| Task 2 | 灵敏度 → KL 散度 → 95% CI | 高级方法 |
| Task 3 | LDA + VGG-11 + SVM → 90.2%/94.4% | **具体数值** |
| Task 4 | 贝叶斯推断 + 区域可信度 | 创新指标 |
| Task 5 | Baum-Welch + Monte Carlo | 高级方法 |
| Task 6 | 消灭判定 + Memo | 完整收尾 |
---
## 6 从这篇论文学到的
### 6.1 成功要素
1. **多模态融合**:CA + 图像分类 + 贝叶斯,不是单一模型硬撑
2. **数据驱动创新**:从 0.3% 阳性率反推人口分布
3. **数字密度极高**:摘要 9+ 个具体数字
4. **高级灵敏度分析**:KL 散度 + 95% 置信区间
5. **在线更新机制**:Baum-Welch 让模型适应新数据
6. **方法命名**:CA、Naive Bayes、Baum-Welch——评委好记
### 6.2 可改进
1. 摘要较长(可能超 1 页),需压缩
2. 灵敏度部分无"模型对 X 敏感"的具体结论句
3. 部分图表(KL 散度热力图)解读不够详细
### 6.3 可迁移战术
1. **从数据反常观察驱动创新**:99.7% 误报 → 人口分布模型
2. **小样本用迁移学习 + SVM**:而非端到端训练
3. **多模态概率融合**:朴素贝叶斯组合多源证据
4. **在线更新**:让静态模型变成动态自适应
5. **高级灵敏度**:KL 散度 + 置信区间 > 简单参数扫描
---
## 7 如果你来做这道题
### 7.1 你会怎么做?
| Task | 推荐方法 | 创新点 |
|---|---|---|
| 1 | CA 或 SEIR 变体 | 季节性规则 + 适居指数 |
| 2 | 预训练 CNN + SVM | 迁移学习 + 数据增强 |
| 3 | 贝叶斯推断 | 多源概率融合 |
| 4 | 在线学习 | Baum-Welch 或粒子滤波 |
| 5 | 统计判定 | 连续无阳性 N 天 |
| 6 | Memo | 从模型结果推建议 |
### 7.2 你能超过这篇吗?
**可能:**
- 用真实气候数据替代假设参数
- 用更先进的扩散模型(如反应扩散方程)
- 增加经济成本分析(消灭 vs 忽视的成本)
**困难:**
- 25 页限制,多模态模型难以全部展开
- 数据极度不平衡(0.3% 阳性),分类难度大
- 在线更新机制实现复杂
**结论:** 这篇是高质量 O 奖,超越需要更大数据集或更深度方法。
---
## 8 总结
这个案例展示了 **C 题(数据洞察)** 的核心打法:
1. **多模态融合是关键**:单一模型无法覆盖"预测 + 识别 + 排序 + 更新"
2. **数据驱动创新最加分**:从数据中发现非显然模式(误报→人口)
3. **数字密度决定摘要质量**:9+ 个具体数字远超平均
4. **高级灵敏度分析拉开差距**:KL 散度 + 置信区间 > 参数扫描
5. **在线更新机制体现工程思维**:让模型适应新数据
**关键教训:** C 题不是"用最好的算法",而是"最巧妙地利用数据"。
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| slack-gif-creatoranthropics/skillsKnowledge and utilities for creating animated GIFs optimized for Slack. Provides constraints, validation tools, and animation concepts. Use when users request animated GIFs for Slack like "make me a GIF of X doing Y for Slack." | Stars: 198k | Updated | Claude CodeCodex | Verified | Install |
| ponytailDietrichGebert/ponytailLazy senior dev mode for any coding task: the smallest change that fully solves it, and a reply a busy human understands in one read. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |
| ponytail-debtDietrichGebert/ponytailHarvest every shortcut: comment into one debt ledger, so deferrals get tracked instead of forgotten. One-shot report. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |
| ponytail-debtDietrichGebert/ponytailList every `shortcut:` comment (and older `ponytail:` ones) as a debt ledger. One-shot report, changes nothing. Use for "ponytail debt", "what did ponytail defer", "list the shortcuts", /ponytail-debt. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |