refactor: isolate Delphi2M next-token pipeline

README.md

@@ -59,8 +59,8 @@ python prepare_data.py
 `dataset.py` 提供两个 dataset：
 
 - `NextStepHealthDataset`
-  - 用于 next-token / next-time-point 监督
-  - 对应 `Delphi2MLoss` 和 `UniqueTimeSetExponentialLoss`
+  - 仅用于 absolute-time Delphi2M next-token 复现
+  - 对应 `Delphi2MLoss`
 
 - `AllFutureHealthDataset`
   - 用于 query-conditioned all-future 监督
@@ -173,7 +173,7 @@ extra-info 不再通过独立的 `BaselineEncoder` 或 `CrossAttention` 注入
 如果需要拿到完整 next-token 输出，可使用结构化返回：
 
 ```python
-out = model(..., target_mode="next_token", return_output=True)
+out = model(..., return_output=True)
 out.hidden        # disease tokens + pooled extra-info readout tokens
 out.time_seq      # 与 hidden 对齐的时间
 out.padding_mask  # 与 hidden 对齐的有效位置
@@ -187,8 +187,7 @@ model = DeepHealth(
     vocab_size=dataset.vocab_size,
     n_embd=120,
     n_head=10,
-    n_hist_layer=12,
-    n_tab_layer=4,  # 兼容旧配置；当前不再创建独立 tabular transformer
+    n_layer=12,
     n_types=dataset.n_types,
     n_cont_types=dataset.n_cont_types,
     n_categories=dataset.n_categories,
@@ -204,14 +203,13 @@ model = DeepHealth(
 next-token 监督：
 
 - `Delphi2MLoss`
-- `UniqueTimeSetExponentialLoss`
 
 next-token 训练中，模型会请求 `return_output=True`，因此 loss 的预测位置包括：
 
 - 原 disease token readout 位置
 - 同一时间点 extra hidden 池化后的 pooled extra-info readout token
 
-pooled extra-info readout token 的监督目标在训练时动态构造：对 pooled extra-info readout token 的时间 `t`，寻找该患者 `t` 之后的下一个 disease 事件时间；`delphi2m` 使用第一个未来事件作为 next-token target，`uts` 使用下一唯一时间点上的事件集合做 multi-hot target。若该 extra-info 时间点之后没有未来 disease target，则该位置不参与 loss。
+pooled extra-info readout token 的监督目标在训练时动态构造：对 pooled extra-info readout token 的时间 `t`，寻找该患者 `t` 之后的第一个 disease 事件作为 next-token target。若该时间点之后没有未来 disease target，则该位置不参与 loss。
 
 all-future / query-conditioned 监督：
 
@@ -221,17 +219,15 @@ all-future / query-conditioned 监督：
 
 all-future 训练只读出 `t_query` 对应的 query hidden。展开的 extra-info tokens 作为主序列上下文输入，但不会被单独读出，也不会被纳入 loss 监督。
 
-`UniqueTimeSetExponentialLoss` 的 observed term 固定使用 sum reduction，不再暴露旧的 `observed_reduction` 参数。
-
 ## 训练
 
 当前提供两类训练入口：
 
 - `train_next_step.py`
   - 使用 `NextStepHealthDataset`
-  - `--target_mode delphi2m` 默认搭配 `Delphi2MLoss` + `token` readout
-  - `--target_mode uts` 默认搭配 `UniqueTimeSetExponentialLoss` + `same_time_group_end` readout
-  - 当前 next-token 训练只支持 exponential time loss
+  - 仅用于 Delphi2M 复现，固定 `time_mode=absolute`、`target_mode=delphi2m`
+  - 固定使用 `Delphi2MLoss` + `token` readout
+  - next-token 训练只支持 exponential time loss
   - 展开的 extra-info tokens 进入主序列；读出端 pooled extra-info tokens 会加入 prediction/loss 监督
 - `train_all_future.py`
   - 使用 `AllFutureHealthDataset`
@@ -243,8 +239,7 @@ all-future 训练只读出 `t_query` 对应的 query hidden。展开的 extra-in
 
 | 训练模式 | 时间模式 | 分布/监督 | 默认 loss/readout |
 | --- | --- | --- | --- |
-| `next_token` | `relative`, `absolute` | `target_mode=delphi2m`, `dist_mode=exponential` | `Delphi2MLoss` + `token` |
-| `next_token` | `relative`, `absolute` | `target_mode=uts`, `dist_mode=exponential` | `UniqueTimeSetExponentialLoss` + `same_time_group_end` |
+| `next_token` | `absolute` | `target_mode=delphi2m`, `dist_mode=exponential` | `Delphi2MLoss` + `token` |
 | `all_future` | `relative`, `absolute` | `dist_mode=exponential` | `ExponentialLoss`，无 readout |
 | `all_future` | `relative`, `absolute` | `dist_mode=weibull` | `WeibullLoss`，无 readout |
 | `all_future` | `relative`, `absolute` | `dist_mode=mixed` | `MixedLoss`，无 readout |
@@ -255,11 +250,9 @@ all-future 训练只读出 `t_query` 对应的 query hidden。展开的 extra-in
 python train_next_step.py \
   --data_prefix ukb \
   --labels_file labels.csv \
-  --target_mode uts \
   --n_embd 120 \
   --n_head 10 \
-  --n_hist_layer 12 \
-  --n_tab_layer 4 \
+  --n_layer 12 \
   --extra_pool_reduce mean
 ```
 
@@ -424,11 +417,6 @@ python evaluate_auc_v2.py \
 - `losses.py`
   - next-token 和 all-future losses
 
-- `readouts.py`
-  - token readout
-  - same-time group readout
-  - last-valid readout
-
 - `evaluate_auc.py`
   - next-step/token-level 疾病 AUC 评估
   - 使用 prediction offset、sex、age bracket 分层