📄 边准确也不够：前向动力学学到的结构为何难以迁移到逆问题

英文题目：Edge Accuracy Is Not Enough: Why Dynamics-Learned Structure Fails to Transfer to Inverse Problems

标签：#声源定位 | #迁移学习 | #注意力机制 | #理论分析

评分：6.7/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 0.3/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

👥 作者与机构

  • Nicholas Tan Jerome：Institute for Data Processing and Electronics (IPE)；Karlsruhe Institute of Technology (KIT)；Karlsruhe, Germany
  • Fangnian Wang：Institute for Thermal Energy Technology；and Safety (ITES)；Karlsruhe Institute of Technology (KIT)；Karlsruhe, Germany

📌 核心摘要

源定位任务输入是多个传感器的读数与位置，输出是泄漏源或声源的三维坐标，难点在于逆任务标注稀少而正向仿真数据相对易得。论文先用已知稀疏图约束注意力权重，把有效自由度从传感器数量平方量级降到稀疏度与传感器数量乘积量级，再证明有边误差的近似图仍能保留样本量优势，随后用正向动力学学图并固定该图做逆定位。计算流体力学氢气扩散域上，在均方根误差指标下，任务优化的注意力基线为5.21米，满足边误差容忍条件的神经关系推理（Neural Relational Inference，NRI）图约束模型为11.26米，后者高于前者、方向为变差。论文用数据增量无改善、阈值不敏感、与任务最优图重叠低以及相关与互信息图同样无效四条证据，把失败归因于近似误差而非估计误差，并给出基于少量目标数据的重叠度检查作为迁移前筛选。结论限于仿真停车场与二维声学房间、注意力定位器与三类动力学结构，真实部署与非注意力架构尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

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

源定位任务的输入输出与数据不对称

论文研究的是稀疏传感器源定位。输入是 n 个传感器的读数向量 r 和传感器位置矩阵 P，读数模型写为传感器处浓度或声压加次高斯噪声，输出是 3 维空间中的源位置估计。评价用期望平方定位误差，实验报告均方根误差 RMSE，单位为米，数值越小越好。背景的数据不对称在于逆任务标签贵而危险，正向仿真相对便宜：地下停车场氢气泄漏的 CFD 仿真每场景耗时以小时计但可批量生成，声学域 180 场景在单核 CPU 上约 11 秒即可扫完。于是很自然的想法是先在充足的前向动力学数据上学一个传感器关系图，再用它约束逆模型以节省逆任务样本。论文要检验的正是这条迁移路线是否成立。

前向动力学 × 逆问题源定位： 前向动力学指给定源和物理条件后浓度或声压场如何随时间演化，关注哪些变量共同变化；逆问题源定位指只看稀疏传感器的读数和位置反推未观测源的位置，关注哪些观测最能约束源的空间位置。前者优化时间连贯预测，后者优化空间约束，二者即使来自同一物理系统，需要的最优关系图也可能不同，所以前者学到的图不能直接当作后者的约束。

对刚入门的读者，关键是分清两种监督。前向监督是下一时刻场重构，输入是 60 步浓度或声压序列，目标是预测演化；逆向监督是源坐标回归，输入是同一时刻多传感器读数加位置，目标是源点。论文用 n 等于 15 个传感器、m 等于 64 个查询点的注意力定位器统一 4 种方法，保证输入输出格式一致，后续比较才公平。

已有两条路线为何没有回答迁移问题

源定位已有两条分离的文献。物理路线用前向扩散或输运模型加稀疏观测做贝叶斯源项估计，直接用控制方程约束源位置和强度，论文的格林函数基线就属于这一思想，只是把它做成固定注意力而非完整反演。端到端路线直接从传感器读数到位置学映射，多用深度网络处理原始或变换后信号，论文的任务优化注意力基线即此类，用可学习的查询键投影表达任意注意力模式。

两条路线都不检验第三种替代：从与定位标签无关的前向动力学目标学一张图，再拿它替代物理先验或任务学习的结构。分子性质预测和基因调控网络等科学机器学习工作常做前向学图再下游推理，但很少直接刻画迁移到目标不同的逆任务的条件。神经关系推理 NRI 本身是通过图结构变分自编码器从观测动力学学隐交互图的工作，后续有动态图、高效消息传递和部分可观测扩展，但都没有评价学到的图能否迁移到与动力学预测目标不同的任务。

论文把 NRI 作为主要研究对象，理由是它的边误差已低到能满足定理 3 的条件，如果边准确就够用，NRI 最应该表现出迁移收益，因此是最锋利的检验而非易打的稻草人。

边误差容忍条件控制什么、不控制什么

理论部分先把定位器写成查询点上的注意力加权。每个查询点 j 对 n 个传感器编码有兼容分数，再经 softmax 得到权重，结构图 G 限制只有边集中的传感器查询对才能有权重非零，最大入度即稀疏度 k。无结构类有效维度为 O(n 平方)，对应查询数与传感器同阶时的全连接；有结构类维度为边数不超过 k 乘 n。假设 1 是有界性，要求真实源和所有假设类中的估计范数都不超过 B，这是平方损失一致收敛的前提。

定理 1 说已知 k 稀疏结构时超额风险随根号下 k n 对数除以样本数下降，达到精度所需样本从无结构的 n 平方量级降到 k n 量级，提升倍数为 n 除以 k。定理 2 说 k 稀疏真图本身可从动力学高效学到，线性动力学下 LASSO 在受限特征值假设 2 下只需 k log n 量级样本即可精确恢复，因此障碍不是学不到图。

估计误差 × 近似误差： 估计误差指在固定假设类内用有限样本学到的模型与类内最优模型的差距，随样本增多而减小；近似误差指该假设类内最优模型与无约束全局最优模型的差距，由选用的结构图决定，加数据也消不掉。论文定理 3 只控制估计误差，而前向与逆向最优图不一致时主导损失的是近似误差，这就是边准确仍失败的理论缺口。

定理 3 把上述收益推广到近似结构。设真图稀疏度 k，学到图边误差为对称差大小，记为 Delta，则假设类维度不超过 k n 加 Delta，定位样本复杂度为 O(k n 加 Delta 除以精度平方)，只要 Delta 小于 n 平方减 k n 就仍优于无结构基线。对 k 小于 n 这允许 Omega(n 平方) 量级的边错，容忍非常宽。但论文强调该界只管估计误差，不管近似误差。当动力学最优图与定位最优图根本不同时，即使 Delta 很小，学到图类内最优与定位最优类内最优之间的差距仍可很大。备注 2 和猜想 1 把这一点形式化为近似误差主导的猜测，但作者明确说没有一般性证明，因为需要刻画神经结构学习目标的两种最优图的闭式，后续用 4 个独立实证检验排除其他解释。

四种定位器如何共用输入输出只换结构约束

方法比较的公平性来自统一接口。4 个定位器输入都是读数 r 和位置 P，输出都是 3 维源估计，查询点数都是 64。多层感知机 MLP 把读数位置拼接后经四层网络直接回归坐标，不计算传感器查询注意力，代表无结构全类。格林函数方法用两层网络编码传感器，再用固定指数核按传感器查询距离算注意力，扩散长度取 4 米，平均度约 5.7，稀疏固定且来自输运物理。任务优化注意力沿用同样编码和聚合头，但查询键值投影可学习，缩放点积注意力可表达任意模式，仍属全类。

NRI 图方法先用两层门控循环单元加两层多层感知机从 60 步序列预测边概率，训练最小化动力学重构加边稀疏惩罚，再以阈值 0.3 二值化成图，定位时注意力正比于边概率且图外置零。论文花最多篇幅检验 NRI 图，因为只有它能同时满足定理 3 的边误差条件又可能承受大近似误差。另两种动力学派生估计即相关图和互信息图，放在第 5 节作架构无关性检查，它们同样用 60 步序列和同样下游定位架构，只换结构估计方法。

注意力掩码如何把边数变成样本复杂度

理解理论要先走一遍单样本路径。传感器编码把每个读数位置对映射为 64 维向量，查询点嵌入经投影得到查询向量，注意力分数决定该查询点听哪些传感器，聚合向量再经两层头加软 argmax 得到源坐标。结构图的作用是掩码：不在边集中的对权重强制为零，可调参数从全连接的 n 平方量级降到边数量级。定理 1 的证明把超额风险拆成经验与期望偏差，经验风险最小化子的中间项非正，于是只需控制假设类上的一致偏差。

\[L(\hat{s}_{G})-L(\hat{s}_{G}^{\star})=\big(L(\hat{s}_{G})-\hat{L}(\hat{s}_{G})\big)+\big(\hat{L}(\hat{s}_{G})-\hat{L}(\hat{s}_{G}^{\star})\big)+\big(\hat{L}(\hat{s}_{G}^{\star})-L(\hat{s}_{G}^{\star})\big).\]

上式是该分解，左端是学到模型与类内最优的期望损失差，右端三项中中间项因经验最优而非正。一致偏差再用有界损失的 Rademacher 复杂度控制，平方损失在有界区间是 Lipschitz，经收缩引理把损失类复杂度转回假设类复杂度。

\[\sup_{\hat{s}\in\mathcal{H}_{G}}\big|L(\hat{s})-\hat{L}(\hat{s})\big|\leq 2\,\mathfrak{R}_{m}(\mathcal{L}\circ\mathcal{H}_{G})+B^{2}\sqrt{\tfrac{\log(2/\delta)}{2m}},\]

其中 B 是有界常数，m 是独立样本数，delta 是失败概率。最后用覆盖数界把复杂度写成维度 d 的函数，d 即边数，对 k 稀疏图为 O(k n)。

NRI × 定位注意力： NRI 指神经关系推理编码器，它从 60 步浓度序列学习传感器与查询点之间的边概率，目标是重构下一时刻动力学；定位注意力指定位器在 64 个查询点上对 15 个传感器读数加权聚合再回归三维坐标，权重决定每个查询点听谁的。前者提供稀疏掩码限制后者只能在保留边上分配权重，掩码对了省样本，掩码错了则把正确解挡在假设类之外。

格林函数与任务注意力为何是两种对照锚点

格林函数注意力权重正比于距离平方指数除以归一化，形式固定，不随定位标签更新，它的任务相关性来自空间影响结构本身而非动力学协变。任务优化注意力权重为查询键点积除以根号 64 后的 softmax，投影矩阵随定位误差梯度更新，能收敛到数据决定的空间影响模式。论文把后者学到的二值邻接作为不可观测的定位最优图的代理，理由是它不受任何结构先验约束且在两域 RMSE 最优，因此是当前可得的对定位真正需要什么结构的最佳估计。

NRI 边概率经 softmax 和阈值得到稀疏图，阈值 0.3 按留出动力学数据的边 F1 选择，低于阈值的边实际注意力质量不足 0.1%。这种设计把动力学重构好坏与定位好坏解耦：动力学边 F1 最优不保证定位最优，后续阈值消融正是检验这一点。

格林函数结构 × 任务优化注意力： 格林函数结构指按传感器与查询点欧氏距离的指数核固定的稀疏注意力，直接来自输运方程的空间影响先验，不从数据学习边；任务优化注意力指用可学习的查询键投影做缩放点积注意力，直接用定位标签训练。前者靠物理空间先验保证任务相关性，后者靠定位监督自适应找任务最优模式，二者都比从动力学协变学边更贴近定位目标。

NRI 与定位器各自用什么监督和优化设置

训练监督要分开看。NRI 编码器训练只看动力学序列，损失是下一时刻重构平方误差加系数 0.01 的边稀疏期望，用 Adam 学习率 0.001 训 50 轮，不看源坐标。定位器的 4 个变体训练都看源坐标回归，输入为读数位置、目标为源位置。相关图按传感器查询时间序列的皮尔逊相关绝对值阈值化，扫 0.1 到 0.4；互信息图用 k 近邻密度估计经回归器算互信息再按分位数保留，扫 60 到 80 分位。

两者下游定位架构与 NRI 图相同，以隔离结构估计方法的影响。复杂度界中维度替换给出近似结构的风险界。

\[\mathfrak{R}_{m}(\mathcal{H}_{G})\leq B\sqrt{\tfrac{2d\log(em/d)}{m}}\leq B\sqrt{\tfrac{2kn\log m}{m}},\]

上式是 Rademacher 项随维度 d 的覆盖数界，在 m 远大于 k n 的可学习区成立。把 d 换成 k n 加 Delta 即得定理 3 第二部分。

\[L(\hat{s}_{G})-L(\hat{s}_{G}^{\star})\leq 8B^{2}\sqrt{\tfrac{2kn\log m}{m}}+2B^{2}\sqrt{\tfrac{\log(2/\delta)}{2m}}=O\!\left(B^{2}\sqrt{\tfrac{kn\log m}{m}}\right).\qquad\blacksquare\]

末项含对数失败概率，整体为 B 平方乘根号下 k n 对数除以 m 的量级。论文把端到端样本拆成动力学样本加定位样本，线性动力学下 LASSO 达到零边误差时总量为 O(k n 除以精度平方)，仍优于无结构，但前提是学到的正是定位需要的图。

两类物理场景与评测协议如何保证独立检验

实验用两域各 180 场景。CFD 域是 50 米乘 30 米乘 3 米地下停车场，12 漏点乘 5 泄漏率乘 3 通风量，控制方程为浮力不可压缩纳斯托克斯加氢组分输运，k epsilon 湍流，GASFLOW 求解器经已发表氢释放实验验证在正负 10% 内，网格取 0.25 米基准中等网格 28.8 万单元。声学域是 20 米乘 15 米 2 维房间，12 源位置乘 5 源功率乘 3 吸收系数，瞬态为含漂移吸收的对流扩散反应方程，稳态满足屏蔽泊松方程，用稀疏线性代数求解，每场景 60 步瞬态加稳态场。

两域在控制物理、源签名和噪声传感特性上都不同：前者为抛物型平流扩散加湍流、持续浮力羽流、浓度慢漂移空间相关；后者为椭圆型波动、瞬时振荡点发射、压力快读数近独立。论文强调把它们当独立检验而非同一任务变体，任何诉诸单系统怪癖的解释必须同时跨过这些轴。评测用 n 等于 15 传感器、m 等于 64 查询，180 场景按泄漏率与通风分层 80 比 10 比 10 划分，每个 10 种子重抽。

数据扩展实验在 CFD 上取 10 到 180 训练场景子集测 RMSE 随数据变化，传感器数扩展测 10 到 20，分布外实验 CFD 在通风 6 与 10 训练测通风 3，声学在低中吸收训练测高吸收。

主结果中谁最优、动力学结构差多少

主比较回答在相同输入输出和评测下结构约束是否帮定位。指标是 RMSE，单位米，越小越好，报告 10 种子均值正负标准差。论文报告任务优化注意力在两域都最优，CFD 为 5.21 米，声学为 0.95 米；格林函数次之，CFD 为 8.96 米，声学为 1.61 米；NRI 图更差，CFD 为 11.26 米，声学为 2.86 米。

无结构 MLP 最差，CFD 为 14.57 米，声学为 4.35 米。NRI 相对任务优化注意力在 CFD 退化约 116%，在声学退化约 201%，格林函数退化约 69% 到 72%。NRI 相对 MLP 在 CFD 只改善约 23%，远低于定理 3 在对齐良好时预测的 3.5 到 5 倍样本效率增益。排名在两域一致，说明不是单域偶然。下表对照数据量从 10 到 180 时 4 种方法在 CFD 域同 RMSE 指标同种子平均下的起点与终点及改善率。

mmMLPGreen’sAttentionNRI-Graph
1015.94 ± 1.288.63 ± 0.386.26 ± 0.5411.32 ± 0.65
18014.57 ± 0.248.96 ± 0.075.21 ± 0.2211.26 ± 0.10
Improvement8.6%−3.9%16.6%0.5%∗∗∗

从收益与限制看，任务优化注意力的收益是定位监督直接塑造注意力，能适应复杂输运；代价是样本复杂度为 n 平方量级，需要足够定位标签。格林函数的收益是零学习成本且物理空间先验与定位目标天然对齐；限制是固定核在复杂 CFD 中不如自适应。NRI 的限制是动力学重构好的边不等于定位需要的边，即使满足边误差容忍仍被近似误差主导。未胜出项是 MLP，它参数随传感器增多而膨胀，后续传感器扩展中随 n 增大而退化。

结构重叠与退化程度如何对应

结构比较把学到的图与任务最优代理图算 Jaccard 相似度，即交集边数除以并集边数。论文报告 NRI 图与代理重叠 CFD 约 0.06、声学约 0.19，而格林函数重叠 CFD 约 0.31、声学约 0.47。结合 RMSE 看，J 大于等于 0.30 对应相对最优退化不足 100%，J 小于 0.20 对应退化超 100%。这不是证明因果，而是为可迁移性检验提供校准。下表完整呈现 4 组域结构配对的 RMSE、退化与估计 J，比较问题是边重叠能否分离成功与失败迁移，条件是同 n 同评测，指标方向仍是 RMSE 越小越好。

DomainStructureRMSEDegradationEst. JJ
CFDGreen’s Function8.96 m72%≈0.31\approx 0.31
CFDNRI Learned Graph11.26 m116%≈0.06\approx 0.06
AcousticGreen’s Function1.61 m69%≈0.47\approx 0.47
AcousticNRI Learned Graph2.86 m201%≈0.19\approx 0.19

解释时要注意代理图的局限。它本身是从任务优化注意力抽的二值邻接，是对不可观测最优图的最佳可用估计，而非真值；用它校准阈值有循环论证风险，论文因此只称启发式而非验证过的一般阈值。另一限制是相关图与互信息图不服从该阈值：相关图因近全连接得到近 1.0 的重叠仍失败，互信息图超 0.30 仍无改善，说明无适当稀疏缩放的重叠本身不能说明迁移，阈值只在格林函数与 NRI 上校准。

加数据与调阈值能否挽回 NRI

消融回答失败是估计误差还是近似误差。若是估计噪声，加 18 倍动力学场景应缩小差距；若是阈值没调对，性能应随阈值明显变化。数据扩展显示 10 到 180 场景下 NRI 图仅改善 0.5%，而任务注意力改善 16.6%，无结构 MLP 也改善 8.6%，配对 t 检验 t 为 6.05、p 小于 0.001。阈值消融显示 0.2 到 0.5 宽区间性能 plateau 在 11.49 米左右，F1 最优的 0.1 阈值与之差不足 0.1%，更密的 top2 与 top4 连接反而更差。完整六点曲线与阈值表见附录，趋势是 NRI 曲线扁平、阈值 plateau 加加密反降，这符合近似误差主导的签名：留哪些边比留多少边更关键。

Jaccard 相似度 × 可迁移性检验： Jaccard 相似度指两个二值邻接集交集大小除以并集大小，衡量候选图与目标任务所需图的边重叠程度；可迁移性检验指在目标域留出 15% 到 20% 数据训一个小定位器抽其任务注意力图，再算候选图的 Jaccard 值并以 0.30 为界决定是否迁移。二者搭配把抽象的任务对齐变成迁移前一小时内可算的经验判断，但阈值只在格林函数与 NRI 四组配对上校准。

传感器数扩展提供另一证据。n 从 10 到 20 时无结构 MLP 在两域都退化，CFD 增 8%、声学增 44%，而所有结构化方法都改善，NRI 在 CFD 降 15%、声学降 30%，证明 NRI 假设类确实被稀疏约束，符合定理 3 的估计误差保证，只是约束方向不对，改善后仍远不及任务注意力。

换掉 NRI 架构后动力学结构是否仍然无益

为排除 NRI 架构特异性，论文加两种纯协变结构估计。相关图取传感器查询时间序列皮尔逊相关绝对值阈值化，最优阈值 0.1 时 RMSE 为 18.61 米，平均度 14.2、稀疏度仅 5%，明显差于无结构 MLP 的 14.57 米；阈值 0.2 到 0.4 时更差到 24 到 31 米量级。互信息图用 5 近邻密度估计再按分位保留，最优 80 分位时 RMSE 为 14.48 米，平均度 3.0、稀疏度 80%，与 MLP 统计不可区分；70 与 60 分位则差到 21 到 25 米。下表是传感器数从 10 增至 20 的对照，比较问题是结构约束在传感器增多时是否带来可扩展性，公平条件是同域同 n 同评测对比 MLP 与 NRI-Graph，指标仍是 RMSE 越小越好。

CFD RMSE (m)CFD RMSE (m)Acoustic RMSE (m)Acoustic RMSE (m)
nnMLPNRI-GraphMLPNRI-Graph
1014.0212.373.603.43
2015.1710.535.192.41
Change+8%−15%+44%−30%

从表中可见，无结构 MLP 在传感器增多时两个域的 RMSE 都上升，而 NRI-Graph 的 RMSE 分别下降，说明稀疏约束确实限制了假设类规模，符合估计误差随约束下降的预期，但 NRI 绝对误差仍未追上任务优化注意力。相关图的高 Jaccard 近 1.0 来自近全连接而非真正对齐，仍失败说明重叠无稀疏缩放时无信息量；互信息图 J 约 0.37 超过 0.30 阈值仍无改善，说明该阈值不能直接外推到这两类估计。两者共同表明失败不限于 NRI 编码器，而是动力学目标本身与定位目标错位。未评测范围是掩码多层感知机等非注意力架构，论文只在备注中论证维度计数思想应可扩展但未证明，留作未来工作。

结论在什么条件下才成立、分布外表现如何

适用条件必须收紧。结论依赖仿真两域、n 等于 15、m 等于 64、10 种子分层划分，以及 NRI 阈值按动力学边 F1 选择。分布外实验显示任务注意力在复杂 CFD 上泛化最好，训练 5.45 测 5.67 差距 4.1%，格林函数在声学上几乎完美，训练 1.62 测 1.61 差距负 0.7%，与屏蔽泊松方程匹配；NRI 在两域差距为负 2% 到负 3%，绝对值仍差，负差距被解释为 restrictive 但错位结构的正则效应，而非任务对齐。下表是分布外完整对照，比较问题是固定物理先验与数据自适应在条件偏移下谁更稳，条件是训练子集与留出条件互斥，指标为训练测 RMSE 及相对差距。

CFDCFDCFDAcousticAcousticAcoustic
LocaliserTrainTestGapTrainTestGap
Learned Attention5.455.67+4.1%1.051.15+10.1%
Green’s Function8.889.44+6.3%1.621.61−0.7%
NRI-Graph11.4811.08−3.4%3.273.20−2.0%
MLP (no structure)15.3916.92+10.0%4.785.03+5.2%

限制还包括理论只对注意力定位器证明，掩码多层感知机或稀疏消息传递的定性分解未证明；猜想 1 未证明，需要两种最优图的闭式；可迁移性阈值 0.30 只在 4 组配对校准，对相关与互信息估计不成立，需更多迁移对验证。两域均为仿真，真机部署验证仍在进行中，不能把仿真 RMSE 直接当现场精度承诺。

复现第一步做什么、需要哪些资源与成本

复现分代码、权重与数据三件事。代码与 NRI 检查点及实验脚本在作者仓库当前可用，声学域有生成器脚本，单核 CPU 约 11 到 15 秒可扫完 180 场景；CFD 场景数据存于 Zenodo 四部分，需按附录下载。第一步应先跑声学生成器复现 180 场景，再按 80 比 10 比 10 分层划分训 4 种定位器，n 取 15、查询 64、10 种子，核对主结果的排名与量级，而非先调 NRI 阈值。NRI 复现需 60 步序列、两层门控循环单元隐 64、边多层感知机、重构加 0.01 稀疏惩罚、Adam 学习率 0.001 训 50 轮、阈值 0.3。

相关与互信息估计要固定同样下游架构只换边构造，并扫论文给的阈值与分位以确认最优仍无益。可迁移性检验只需目标域 15% 到 20% 数据训小定位器抽任务图，算 Jaccard，不足 1 小时。训练与推理开销、输出帧率与实际延迟论文未系统测量，不能承诺成本改善；附录网格独立性显示中等网格 28.8 万单元相对细网格误差 3.6% 而粗网格达 58.3%，选型时应保留该权衡。

什么时候值得尝试、还缺哪项验证

什么时候值得尝试取决于信息条件。论文的实践建议是：当可靠领域知识直接约束逆任务且数据有限时用物理结构；当每传感器超 10 场景且精度优先时用任务自适应学习；只有候选图对部分观测目标任务图 J 大于等于 0.30 时才试迁移，且该阈值目前只对物理与 NRI 结构校准。复现第一步是跑通声学流水线并重现注意力远优于 NRI 的差距，确认评测与划分无误后再测 CFD。

还缺的验证最关键有三项：一是真机传感器部署的域外验证，二是非注意力掩码架构上的实证，三是在线性动力学加线性定位器的风格化设定中证明猜想 1 以弥合理论与实践鸿沟。常见误解是把边准确等同于任务对齐，或把 Jaccard 高低直接当成功保证。论文的中心信息恰相反：定理 3 的边误差容忍只管估计误差，前向时间连贯与逆向空间约束是不同问题，动力学上共变的传感器不一定是最能约束源位置的传感器，因此满足边准确仍可能因近似误差而系统性失败。

📎 论文与评分元数据

排名：前50% | 文档类型：理论研究 | 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

← 返回 2026-10-11 语音/音乐/音频论文速递