📄 不重采样怎么做跨采样率生物声学分类：连续滤波器组与傅里叶算子的分工
标签：#音频分类 | #时频分析 | #生物声学监测 | #鲁棒性
评分：6.2/10 | 创新 1.4/2 | 技术严谨 1.1/1.5 | 实验充分 1.1/1.5 | 清晰度 0.7/1 | 影响力 0.6/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Stefano Ciapponi：机构信息未在 arXiv HTML 中可靠披露
- Francesco Ardan Dal Rı：机构信息未在 arXiv HTML 中可靠披露
- Nicola Conci：机构信息未在 arXiv HTML 中可靠披露
- Elisabetta Farella：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
该工作处理原生采样率高度异构的多类群生物声学分类，输入为任意原生采样率波形，输出为84类物种标签，难点是固定梅尔谱强制重采样会丢弃超声带宽并改变特征对齐。方法链分三步：采样率无关前端在物理频率上参数化连续对数高斯滤波器并按原生奈奎斯特极限离散化合成解析包络，输出多尺度对数频率-时间网格；二维傅里叶神经算子骨干对网格做全局谱变换与局部线性混合得到频时表征；时域金字塔编码器将上一步表征逐尺度池化对齐融合后经掩蔽池化投影到分类与对比头。相比固定48 kHz与语料库最大采样率重采样基线，其机制差异是保留原生带宽并以物理时间为锚统一帧率，避免高低采样率互损并保持恒定下游复杂度。在包含84类与60种采样率的多类群语料评测下，SFI-FNO的准确率为.906，高于MAX-FNO的准确率.895。结论仅适用于所用4个数据集合并分布，对未见类群、极低信噪比野外连续监测与开放集检测尚未验证。原文未披露训练、推理或部署成本，代码标注为接收后公开但无可验证链接。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
野外录音为什么不能直接统一采样率？
输入是野外 heterogeneous 硬件采集的动物声音波形，采样率跨度极大，论文提到从 300 赫兹量级的声学监测到 250 千赫以上的超声记录。目标是在一个模型里对 84 个物种做分类，输出是每段录音的类别 logits，不为每个采样率切换模型。必须保留的信息包括每段录音的原生采样率、有效带宽和类别标签，输出是可复述的前端加主干加融合的完整计算链。
常规做法是把所有录音重采样到固定频率再算短时傅里叶或梅尔谱，但离散矩阵的行列分辨率与采样频率绑定，采样率变化会改变输入尺寸与特征对齐，只能靠重采样、重训练或多模型切换来迁就。更关键的是常用预训练提取器只工作在 16 千赫到 32 千赫附近，其奈奎斯特上限会截掉蝙蝠等类群的超声成分。降采样省算力但不可逆地丢掉高频，升采样到全语料最高率则把低率文件无意义放大而不增加信息。
下面这张图直观展示了跨类群的频率 regime 差异，是理解后文原生率处理的动机基础。图前导读从纵轴上限看起，再看叫声能量在频轴上的占据位置，最后把声谱与右侧动物对应起来，就能明白统一采样率为何两难。
看图路径： 1. 先看左侧三行声谱图的纵轴上限：最上方到 150 千赫，中间到 24，下方到 7.45；2. 再看每行声谱中动物叫声能量集中在纵轴的相对位置；3. 最后对照右侧三张动物照片确认蝙蝠、蛙类与鲸类分属不同频率 regime
论文图 1。原论文 Figure 1:：“Examples of different spectrograms for different taxa, emphasizing the large sample-rate variability.”。
上图共 6 个面板，左侧三行是声谱图，右侧对应 3 类动物照片。像素可见最上行纵轴标到 150 千赫，蝙蝠脉冲只占据底部很窄的低频条带但其坐标系极高；中间行纵轴到 24，蛙类叫声集中在底部并有谐波结构；最下行纵轴到 7.45，鲸类叫声布满整个频带且有多条平行谐波纹理。右侧从上到下依次是蝙蝠、蛙和鲸的照片。教学要点是同一声谱表示法在不同原生率下纵轴物理含义完全不同，这正是固定矩阵表示难以对齐的原因。
同输入同目标的已有路线卡在哪里？
同输入同目标的对照是跨采样率生物声学分类。固定低率路线把沃特金斯等数据重采样到 10 千赫或 47.6 千赫，论文指出这类选择对低频类群合适，但在跨类群、异构采样率语料中会成为瓶颈。语料最高率路线把所有文件升到最高率，能保留带宽但增加低率文件的尺寸与计算量。论文的因子实验显示把采样率提高到语料最大值后所有主干都有提升，报告支持保留宽带宽确实有益，但这只是重采样范式内的改进。
同运行阶段的另一条路线是直接复用 audible 域预训练模型，如在 16 千赫到 32 千赫工作的特征提取器。它们在单一 audible 类群上有效，但按原文讨论，其奈奎斯特限对超声类群是关键限制。论文因此没有把这些模型当同条件基线去比胜负，而是把比较限定在相同训练流程下的前端与主干组合上。
与本文最接近的是跨物种泛化方法，但原文指出它们仍保留固定率假设。本文的区别是有源对照下的原生率前端加全局算子主干，并在同一 3 乘 3 前端乘主干套件中验证增益主要来自前端。已有文献中针对单一数据集的高精度专用分类器与本文 84 类联合分类的评价范围不同，论文明确说明不可直接比较，这一点在复现时必须保留评价口径。
任务的形式化输入输出是什么？
设离散时间信号为以原生率采集的波形，长度随录音时长和采样率变化。模型输入是该波形加其原生采样率数值，输出是 84 类上的分类分布。训练监督来自物种标签，验证与调度依据是验证集宏 F1。评价同时报告准确率、平衡准确率和宏 F1，以应对类别分布与采样数严重不均。
学习依赖是表示必须与采样率解耦：下游要看到固定尺寸、物理意义一致的频率时间网格，而不把录音搬到统一采样率。约束是不能丢掉原生带宽，也不能为每个率重建模型或重分配计算图。论文把这个问题拆成前端如何离散化连续响应、主干如何建模频率时间结构、融合如何处理变长与无效频带 3 个子问题。
原生采样率 × 重采样： 原生采样率指录音被采集和输入模型时的实际采样频率，重采样指把不同录音统一插值或抽取到同一目标频率；前者分工是保留各自奈奎斯特带宽内的真实信息，后者分工是让固定矩阵模型能对齐输入，二者搭配的理由是异构语料中统一重采样要么丢掉超声信息要么无意义放大低率文件，组合意义是本文让前端直接按原生频率离散化连续响应，从而不再要求统一重采样。
举例说明时把例子明确标为例子：例如一段 24 千赫的鸟声与一段 300 千赫的蝙蝠声，它们的奈奎斯特上限分别是 12 千赫与 150 千赫，若都重采样到 48 千赫，前者被无中生有地插值，后者被截掉一半以上带宽。论文的方法要求两者都按原率进入同一前端，出来却是下游可批量处理的同构张量。
全流程如何从波形走到类别？
沿一个样本走完全程有助于建立依赖顺序。输入是一段原生率波形与该率数值。第一步是采样频率无关前端在物理频率上定义 128 个对数间隔中心频率，用连续响应加残差整形描述每个频带，按当前原生率算出离散滤波器抽头并经解析包络得到固定物理帧周的特征。第二步是把基础特征下采样到 16 毫秒、64 毫秒和 256 毫秒 3 种尺度，得到 3 个频率时间图。第三步是时间金字塔编码器从细尺度开始逐级投影、池化对齐并融合，再经傅里叶神经算子块做全局与局部变换。第四步是掩码全局池化聚合成定长向量，经层归一化映射到 192 维隐向量，分别进入线性分类器与两层对比头。
这个安排的理由在原文中是明确的：前端负责率无关与带宽保留，主干负责频率时间全局建模，融合负责多分辨率对齐与无效位置屏蔽。三者缺一不可，因为只换前端不换主干仍受局部感受野限制，只换主干不换前端仍受重采样信息损失限制。后文三节分别展开这三部分的实现与参数。
连续滤波器组怎样按原生率实例化？
白话解释连续滤波器组：它不是先存一组固定数字滤波器，而是先在赫兹轴上写出每个频带的理想形状，遇到具体录音时再按该录音的采样率算出对应的数字抽头。英文是 continuous filterbank。奈奎斯特掩码白话是有效性开关，英文是 Nyquist-aware mask，对每个中心频率判断是否低于当前率的奈奎斯特限乘以滚降系数。
连续滤波器组 × 奈奎斯特掩码： 连续滤波器组分工是在物理频率赫兹上定义对数高斯带通加残差整形，提供与采样率无关的中心频率描述，奈奎斯特掩码分工是按每条录音的原生奈奎斯特限判定哪些中心频率有效并置零无效带，搭配理由是连续定义本身不知道当前录音能表示多高频率，组合意义是只实例化有效频带并进入二进金字塔处理，避免使用超出表示能力的滤波器。
具体计算是每个频带以对数高斯为基，中心在对数间隔的频率点，集中参数控制带宽，再乘以残差多层感知机的指数修正，该感知机用傅里叶特征嵌入频率，输出限制在负一到一之间并乘以尺度系数。有效性判断的原文实现如下式，符号含义是掩码为二值指示，中心频率与原生率比较，系数为小于一的滚降因子：
\[m_{k}=\mathbb{I}\left(f_{k}\leq\eta\cdot\frac{f_{s}}{2}\right),\]有效频带按中心高低分配到抗混叠二进波形金字塔的不同层级，每层对应内部率逐次减半。连续响应在物理频率点上求值，经逆傅里叶变换合成实部与正交虚部滤波器，去掉直流与奈奎斯特处正交分量后居中、加汉恩窗并联合归一化，长度与合成点数在原文中固定。包络计算把对应层级的波形与实虚滤波器卷积后按物理帧周期抽帧，再求平方和开方并乘以掩码，帧跳数由基准 4.0 毫秒换算得到，原文实现如下：
\[e_{k}[t]=m_{k}\sqrt{\big[(x^{(d_{k})}*h_{k,\text{real}})[tH_{k}]\big]^{2}+\big[(x^{(d_{k})}*h_{k,\text{imag}})[tH_{k}]\big]^{2}},\]每个频带算两个通道：对数压缩包络与带可训练平滑增益的通道能量归一化。基础张量再经 1 维平均池化下采样到目标尺度并按有效位置做通道标准化，从而下游复杂度不随采样率增长，也无需重分配模型。
下面这张图是 24 千赫鸟声在 3 种尺度下的前端输出，可验证时间压缩与通道差异。导读先看行方向的时间步变化，再看列方向两种通道的对比，最后看粗尺度如何平滑细节。
看图路径： 1. 先按行比较三种尺度的时间步总数从约 700 压缩到约 40；2. 再按列比较左侧对数包络与右侧能量归一化通道的对比度差异；3. 观察同一叫声在粗尺度上如何变成更宽更连续的能量块
论文图 2。原论文 Figure 2:：“SFI multi-scale features applied to a Fringilla coelebs audio clip at native 24 kHz using 16, 64, and 256 ms scales.”。
像素可见该图为 3 行 2 列共 6 个面板，横轴都是时间步，纵轴都是滤波器序号到 80。第一行细尺度时间步到约 700，第二行中尺度到约 180，第三行粗尺度到约 40，说明池化确实压缩了时间。左列对数包络整体偏暗紫，只有稀疏亮点；右列能量归一化对比更强，背景偏红橙，叫声谐波更清晰。教学对应是左列保留原始幅度动态，右列通过自适应增益抑制稳态噪声，二者互补进入后级融合。
傅里叶算子块与金字塔融合如何分工？
白话解释傅里叶神经算子：把频率时间特征图整体做 2 维傅里叶变换，在频谱域只保留截断的低阶模式做可学习乘法再逆变换回来，英文是 Fourier Neural Operator，缩写 FNO。白话解释局部线性变换：对每个位置做 1 乘 1 通道映射，不看邻域。
傅里叶神经算子 × 局部线性变换： 傅里叶神经算子分工是在对数频率时间网格上做二维傅里叶变换后对截断频谱模式做可学习复数乘法，实现全局谱变换，局部线性变换分工是用 1 乘 1 线性映射保留逐点通道信息，搭配理由是纯全局变换容易丢失局部细节而纯卷积缺少长程依赖，组合意义是二者相加后再做归一化激活与残差，形成兼顾全局结构与局部包络的更新块。
块更新的原文形式是全局谱分支加局部分支求和，再经组归一化、激活与丢弃并残差相加，符号中大写变换为傅里叶与其逆变换，可学习复数张量为截断模式，组归一化与丢弃概率控制正则，原文如下：
\[\begin{gathered}u_{l}=Wv_{l}+\mathcal{F}^{-1}\left\{R_{\theta}\odot\mathcal{F}\{v_{l}\}\right\},\\ v_{l+1}=v_{l}+\mathcal{D}_{p}\!\left(\sigma\!\left(\mathrm{GN}(u_{l})\right)\right),\end{gathered}\]白话解释多尺度时间金字塔：从最细尺度开始逐级把上 1 级隐图在时间轴自适应平均池化到当前尺度帧长，与当前尺度投影特征拼接再用 1 乘 1 卷积融合，英文可记为 temporal pyramid encoder。白话解释掩码全局池化：只在有效掩码位置求均值与取最大值并拼接，英文是 masked global pooling。
多尺度时间金字塔 × 掩码全局池化： 多尺度时间金字塔分工是把 16 毫秒、64 毫秒和 256 毫秒三种窗跳特征逐级投影、池化对齐并用 1 乘 1 卷积融合，保留各自原生时间分辨率，掩码全局池化分工是在有效频率时间位置上同时取均值响应和峰值响应并拼接，搭配理由是融合后仍有无效频带和变长问题需要统一为定长向量，组合意义是得到 192 维隐向量供分类器和对比头使用。
池化拼接的原文形式是对有效位置求和平均与在有效位置取最大并拼接，得到 2 倍尾部通道维度的向量，再经线性加层归一化到 192 维，原文如下：
\[\mathbf{p}=\left[\frac{\sum_{k,t}\mathbf{H}\odot\mathbf{M}}{\max(1,\sum_{k,t}\mathbf{M})}\;\Bigg\|\;\max_{(k,t):M_{k,t}=1}\mathbf{H}_{k,t}\right],\]该向量同时喂给主线性分类器与 192 到 192 到 128 的两层对比头。掩码贯穿投影与融合，保证无效频带不参与统计，这是原生率可变有效带宽下保持定长表示的关键。
训练用什么监督与优化步骤？
训练阶段明确存在，是端到端的监督分类加对比表示学习。优化器用 AdamW，最多训练的轮数与初始学习率、权重衰减、批量大小与梯度累积步数在原文中有完整交代，下表把这些可复现的训练预算整理出来，表前问题是复现时优化与损失权重应设成什么，公平条件是所有前端主干组合共享同一流程，指标方向是验证宏 F1 越高越好并驱动调度与早停。
| 条件 | 指标 | 基线 | 本方法 | 比较对象 |
|---|---|---|---|---|
| 优化轮数上限 | 轮数 | 80 轮 | 80 轮 | 全部配置共享 |
| 初始学习率 | 学习率 | 3 乘 10 负 4 次方 | 3 乘 10 负 4 次方 | AdamW |
| 权重衰减 | 系数 | 10 负 4 次方 | 10 负 4 次方 | AdamW |
| 批量大小 | 样本数 | 16 | 16 | 两步梯度累积 |
| 损失权重 | 对比损失系数 | 0.10 | 0.10 | 类别加权焦点损失加监督对比损失 |
表后解释是该表只解决优化可重复性，不支持任何性能判断。主要收益是所有对比都在同一预算下进行，代价是 80 轮在异构大语料上成本不低，且原文未报告具体硬件型号与 wall-clock 时间，因此不能从轮数推定实际延迟。未胜出项是原文未给出学习率调度细节与早停 patience，只说明验证宏 F1 驱动调度，复现时需补记这项缺项。
损失是类别加权焦点损失加监督对比损失，对比部分权重为 0.10。验证宏 F1 驱动调度与早停。鲁棒性消融中 SFI-FNO 额外在全部五折上用随机采样率增强重训，扰动范围为 0.75 到 1.05 倍、概率 0.85。原文未说明前端残差多层感知机与主干是同时更新还是分阶段冻结，也未给出梯度是否截断的说明，因此只按证据说两者参与训练，不从模型名称推定冻结方式。
数据构成与对照条件如何保证可比？
测什么：84 类联合分类在原生率下的准确率、平衡准确率与宏 F1，以及对采样率扰动的稳定性。与谁比：3 种前端乘 3 种主干的九宫格，前端包括重采样到 48 千赫的梅尔、重采样到语料最高率的梅尔与原生率连续前端，主干包括残差卷积、移动倒瓶颈与傅里叶算子。条件是否一致：所有配置用 128 频带与相同窗跳对，下表整理窗跳的可复现部分，表前问题是多尺度的时间分辨率如何定义，公平条件是三前端共享同一组窗跳，指标方向是时间重叠率固定以保证公平。
| 条件 | 指标 | 基线 | 本方法 | 比较对象 |
|---|---|---|---|---|
| 频带数 | 频带 | 128 | 128 | 全部前端共享 |
| 细尺度窗跳 | 毫秒 | 16 窗 4 跳 | 16 窗 4 跳 | 75 百分比时间重叠 |
| 中尺度窗跳 | 毫秒 | 64 窗 16 跳 | 64 窗 16 跳 | 75 百分比时间重叠 |
| 粗尺度窗跳 | 毫秒 | 256 窗 64 跳 | 256 窗 64 跳 | 75 百分比时间重叠 |
表后解释是该表固定了时间尺度的物理定义，主要收益是不同前端的差异只能来自频率侧处理而非时间切分，代价是粗尺度对短脉冲的定位能力天然下降。未评测边界是其他窗跳组合未在证据中出现，不能推广到任意窗跳都成立。
数据来自 4 个语料：沃特金斯海洋哺乳动物全切版、欧洲鸟类、蛙类与蝙蝠超声，过滤掉少于 15 个样本的物种。语料层面呈现类别、样本数与采样率 3 重不均，海洋哺乳类覆盖数十种采样率，蝙蝠集中在高率段。下图展示每个原生采样率上的文件数分布，是理解类别与采样率混杂的关键。导读先看横轴采样率跨度，再看纵轴对数文件数，最后区分颜色堆叠的类群归属。
看图路径： 1. 先看横轴采样率从 320 赫兹延伸到 500000 赫兹的跨度；2. 再看纵轴文件数的对数刻度与每根柱顶标注的具体文件数；3. 区分浅蓝海洋哺乳类、红色鸟类、粉色蛙类与深蓝蝙蝠类的堆叠位置
论文图 3。原论文 Figure 3:：“Number of files in the entire corpora for every individual native sample rate (log scale for better visualization).”。
像素可见横轴采样率从 320 赫兹一直标到 500000 赫兹，纵轴为文件数的对数刻度，每根柱顶印有具体文件数。浅蓝海洋哺乳类占据绝大多数柱子且高度起伏大，红色鸟类集中在 24000 赫兹附近的高柱，粉色蛙类集中在 48000 赫兹附近，深蓝蝙蝠类分布在 25000 赫兹以上的高率区并在 384000 赫兹等处较高。这种分布说明采样率本身可能泄露类群信息，为后文采样率捷径与增强的必要性提供依据。
原生率前端带来多大可运行增益？
测什么：九宫格中各组合的测试准确率、平衡准确率与宏 F1。与谁比：同主干下比较原生率前端与 48 千赫梅尔、语料最高率梅尔。条件是否一致：同一训练流程与五折聚合，指标方向均为越高越好。关键数字是原生率加傅里叶算子组合最优，相对 48 千赫梅尔在 3 种主干上分别提升 5.2、5.7 和 4.7 个百分点，且进一步超过语料最高率基线。下表用原文连续句覆盖的数字整理核心可运行策略的比较，表前问题已如上，公平条件是保留可部署的固定率与最高率基线，指标方向是三指标越高越好。
| 条件 | 指标 | 基线 | 本方法 | 比较对象 |
|---|---|---|---|---|
| 准确率 | 准确率 | 相对提升 5.2 点 | 0.906 | 卷积主干对照 |
| 准确率 | 准确率 | 相对提升 5.7 点 | 0.906 | 倒瓶颈主干对照 |
| 准确率 | 准确率 | 相对提升 4.7 点 | 0.906 | 傅里叶算子对照 |
| 平衡准确率 | 平衡准确率 | 最高率基线可比 | 0.921 | 可运行最高率策略 |
| 宏 F1 | 宏 F1 | 最高率基线可比 | 0.899 | 可运行最高率策略 |
表后解释是主要收益来自前端而非单纯换主干，因为 3 种主干下原生率都提升，且最高率已证明保留带宽有益而原生率进一步提升。代价是原生率模型参数略增且对采样率扰动更敏感，见下一节反证。未胜出项是 48 千赫梅尔在所有主干下最低，说明固定低率截断高频的代价最大；但这不等于每类都如此，分数据集结果显示鸟类子集明显低于蛙类，总体趋势不等于每组都成立。
原文还报告分数据集表现的趋势，但按证据完整性要求此处不把表格数字当同条件胜负去排名，因为各子集的类别数与采样率分布不同。重提结果时增加的新对照是最高率基线虽保留带宽却要放大低率文件，而原生率在恒定下游复杂度下保留实际带宽，这是计算相关的适用条件。
去掉采样率增强会暴露什么捷径？
测什么：在测试时把波形采样率扰动为 95 百分比、90 百分比或 85 到 95 百分比随机因子，观察宏 F1 变化。与谁比：未增强的原生率加傅里叶算子、加增强的同一模型、最高率加傅里叶算子。为隔离采样率敏感与下采样信息丢失，原文只保留扰动后占据带宽仍可表示的录音。关键数字是未增强模型的平均宏 F1 变化为负 0.291，加增强后收窄到负 0.004，而最高率基线为负 0.025。下表整理扰动鲁棒性的可运行比较，表前问题是率变化是否导致性能崩塌，公平条件是同一扰动集合与同一可表示子集，指标方向是变化越接近零越好且绝对宏 F1 越高越好。
| 条件 | 指标 | 基线 | 本方法 | 比较对象 |
|---|---|---|---|---|
| 平均变化 | 宏 F1 变化 | 负 0.025 | 负 0.004 | 最高率对照 |
| 平均变化 | 宏 F1 变化 | 负 0.291 | 负 0.004 | 未增强对照 |
| 扰动后区间 | 宏 F1 | 可比区间 | 0.865 到 0.869 | 增强后保持 |
表后解释是主要收益是温和增强抑制了采样率捷径，加增强后扰动前后基本持平。代价是增强本身引入训练随机性且需在五折上重训，未增强模型的绝对性能在无扰动时最高但一遇率偏移即大幅下降，这是具体反例。未评测边界是更大倍率或上采样扰动未在证据中报告，不能推广到任意率偏移都鲁棒。
采样率增强 × 采样率捷径： 采样率捷径指模型把采样率本身与类别关联起来作为判别线索，采样率增强分工是在训练时对波形采样率做 0.75 至 1.05 倍随机扰动以打破这种关联，搭配理由是原生率处理保留了率信息但也暴露了率与物种分布的混杂，组合意义是增强后扰动引起的宏 F1 变化从大幅下降收窄到接近零，同时保持整体性能。
该结果支持的判断是原生率保留率信息是一把双刃剑，有限解释是增强打破了率与标签的混杂；未验证推测是增强是否改变对超声细节的利用，原文未测量逐频带利用率，因此用可能待验证表达，不承诺增强无损所有细节。
哪些结论不能从证据中推出？
第一，跨文献精度的直接排名不能推出。本文是 84 类跨类群联合分类，专用单数据集系统或特定预训练模型的单域精度评价范围不同，原文明确说明不可直接比较。把 0.906 与专用沃特金斯系统的更高值对比为胜负是误读，正确解读是异构鲁棒性而非单域最优。
第二，相关性不是因果。最高率优于 48 千赫支持保留带宽有益，但不能推出带宽越大每类必好，因为蝙蝠与鸟类的最佳利用频段不同，且原文未做逐频带消融。同样，增强后扰动稳定不能推出模型已理解物理频率，只能说率捷径被大幅抑制。
第三，未测量量不能承诺。原文未报告推理延迟、逐率计算量、误判率分解与边缘设备实测功耗，只从原理上说下游恒定复杂度与无需重分配。训练资源只给了轮数与批量，未给硬件型号与时间，因此不能把总体趋势推广为每步更快。缺失证据是正常的报告边界，不是技术错误，复现时应补测延迟与内存而非默认已优化。
复现时先固定哪些信息条件？
先固定数据条件：按原文过滤掉少于 15 样本的物种，保留四语料的联合 84 类划分与五折协议，注意采样率与类群高度混杂，不要自行按类群均衡重采样，否则会改变捷径强度。再固定前端条件：128 频带、对数间隔、集中参数与滚降系数、基准帧周期 4.0 毫秒、3 种窗跳与 75 百分比重叠、滤波器长度与合成点数、双通道对数包络加通道能量归一化，以及有效位置标准化。
再固定训练条件：AdamW、初始学习率、权重衰减、批量与累积步数、类别加权焦点损失加权重 0.10 的监督对比损失、验证宏 F1 驱动调度与早停，以及增强消融的 0.75 到 1.05 倍概率 0.85 设置。评价时同时算准确率、平衡准确率与宏 F1 并报告五折均值标准差，扰动实验只保留带宽仍可表示的录音。
资源状态是正文开源声明的唯一依据，本次未发现来源绑定且完成超文本传输安全协议状态验证的资源，不得声称代码模型或数据已公开。原文写明细节与代码将在仓库在接受后提供，因此当前应写本次未能确认可达，不要把占位链接当已公开。复现先做最小闭环：单折无增强的原生率加傅里叶算子跑通，再加增强对比扰动稳定性，最后才扩展到九宫格全比较。
何时值得尝试这条路线？
当语料同时包含 audible 与超声、采样率种类多达数十种，且不希望为每个率维护模型时，值得尝试原生率连续前端加全局算子的组合。它的可运行收益是保留实际带宽、输出定长表示、无需测试时重采样或切换模型，且在原文九宫格中一致优于固定率与最高率基线。适用条件是训练时必须加入温和采样率增强，否则模型会利用率捷径而在新率上大幅下降。
当所有数据本来就是同率 audible 且超声无关时，这套机制的额外复杂度可能不值得，固定低率已足够且更简单。当边缘预算极紧且只关心特定低频类群时，应先实测延迟与内存再决定，因为原文未给出实测成本。还需补的验证包括更大范围扰动、逐类群与逐频带的利用分析，以及在更大规模无监督或半监督训练下的扩展，这些在原文结论中被列为未来方向，目前属于待验证。
📎 论文与评分元数据
排名：前50% | 文档类型：方法研究 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses