📄 用自举集成模拟听音小组：同时给出平均分、分布与区间
英文题目：Ensemble-Based Perceptual Audio Quality Assessment with Confidence Intervals
标签：#音频质量评估 | #集成学习 | #不确定性估计与校准 | #信号处理
评分：6.3/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Pablo M. Delgado：机构信息未在 arXiv HTML 中可靠披露
- Andreas Brendel：机构信息未在 arXiv HTML 中可靠披露
- Konstantin Schmidt：机构信息未在 arXiv HTML 中可靠披露
- Jürgen Herre：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
听音测试对每个刺激收集多人打分，可得出平均意见分、置信区间和条件间差异是否显著，而多数客观音频质量测量只输出点估计，无法说明预测不确定性。论文输入参考信号与待测信号对，先用不可训练的感知前端提取11个失真指标，再经50个自助采样训练的低容量回归器得到50个分数，最后做全局仿射均值校准和宽度缩放，输出校准后的人工听音人分数分布、均值和模拟相同听音人数的区间。与预设高斯等分布形态的参数化听众模型和端到端深度方法不同，该方法不预设分布形态、不学习深度表征，只复用固定感知特征和公开数据。在SEBASS-DB子集上校准把区间覆盖率从0.28-0.31提高到0.69-0.82，平均Kolmogorov-Smirnov差异从0.46-0.50降到0.28-0.33，同时MOS相关基本不变。跨域到音频编码数据时覆盖率仍低于名义0.95，ODAQ上为0.47，USAC上仅0.33-0.43，校准后宽度放大使成对检验更保守、显著对召回下降，说明仅校准边缘分布不能保证成对推断正确。结论适用边界是训练仅用公开SEBASS-DB分离源数据，当编码器、码率和内容与USAC等条件失配，或需保留听音人内跨条件相关和特定试验设计时，区间与显著性判断可能失效，这部分尚未用独立听音测试验证。因此系统只适合做不确定性筛查和优先安排听音测试，不能替代面板级假设检验。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
第三方资源：https://www.mmsp.ece.mcgill.ca/Documents/Software/ — 链接可访问（HTTP 200）
第三方资源：https://scikit-learn.org/ — 链接可访问（HTTP 200）
第三方资源：https://pypi.org/project/py-earth2/ — 链接可访问（HTTP 200）
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
客观音质要解决什么输入输出问题
这篇论文处理的是侵入式客观音质测量问题。输入是 1 对音频，也就是参考信号和待测信号，都是多通道时域波形。待测信号可能是编码器、分离算法或增强算法处理后的结果，模型能同时听到干净参考和退化版本，才能判断退化有多可闻。目标是预测人对这段待测信号基本音频质量的评价，听音试验里每个刺激会有多个听众各自打分，常用量程是 0 表示差到 100 表示优，之后取平均得到平均意见分，同时还会报告置信区间和条件之间的显著性比较。
传统客观模型大多只输出一个单点平均分预测，不告诉这个预测有多不确定，也不能回答换一批听众结果会波动多少。论文希望模型对每个参考和待测对输出 1 个条件分数分布，分布的均值对应平均分，分布的散布对应听众间分歧。由此可以模拟不同规模的听音小组，得到与小组规模匹配的区间，并对哪些预测不太确定、值得补做主观试验给出提示。
需要保留的信息是同一刺激的多个听众分数，而不只是平均值，因为区间的名义覆盖和分布一致性都要靠听众级散布来校准和评价。如果只保留平均值，就无法判断区间是太窄还是太宽，也无法模拟换一组听众会带来多大波动。
已有路线在分布建模上差了什么
经典路线是两段式结构，前端用心理声学模型提取描述不同退化维度的特征，后端用紧凑回归器把特征映射到总质量分，训练目标是主观平均分。PEAQ 基本模型的 11 个模型输出变量就属于这类前端，2f 度量也被论文当作可比基线，它的回归器同样在 SEBASS-DB 上拟合，所以两者在训练域上是对齐的，比较点估计相对公平。
另一条路线是听众相关模型，例如 MBNet 和 LDNet，它们利用单个听众的分数建模听众行为差异，但没有显式给出分数分布估计，也就是说它们知道听众不一样，但没有把这种不一样变成可采样的分布。生成式机器听众则显式建模条件分数密度，通常预测高斯或逻辑分布的参数再从参数分布中采样模拟听众分数，但一般依赖深度端到端或自监督结构和较多训练资源，学到的表示也难与已有的心理声学模型对应。
论文的选择是处在中间的非参数路线，不预设高斯等参数形式，而是用自举训练的回归器集成直接形成经验分布。打个比方，参数化方法像是先假设听众分数都服从某种钟形，再去猜钟的位置和宽度，而集成方法像是找 50 个学法略有不同的学生各给一个分，直接看这 50 个分的散开程度。
与生成式机器听众相比，输入、目标和运行阶段并不完全相同，生成式方法用了内部编码导向语料的大量单独评分和千万量级参数网络，而本文只用公开数据和固定特征加低容量回归器，因此不能把两者的平均分相关系数高低简单理解为同条件下的胜负，只能看作在各自数据和成本下的表现对照。
论文把不确定性拆成哪三个可检验问题
论文把人工听众假设拆成 3 个要求逐步提高的检验，这样读者可以分清什么做到了、什么还没做到。第一是经验平均分覆盖，面板匹配的模型区间是否以接近名义水平的比例包含主观平均分，论文用名义 95% 区间，覆盖率越接近 0.95 越好，但原文报告所有覆盖率都在 0.95 以下，所以比较时更高为更好。
第二是边缘分数分布一致性，模型分布与同一刺激的主观听众分数分布在形状上差多少，论文用每刺激的两样本 KS 统计量再跨条目平均，值越小表示最坏位置的累积分布差异越小，局部不可靠的风险越低。第三是成对显著性决策一致性，把听众分数和模型分数都按听众或成员先跨条目平均到听众条件对，再做单因素重复测量方差分析和 Bonferroni 校正的配对 t 检验，看主观显著的对是否被以正确方向检出，以及主观不显著的对是否被误报。
这 3 个问题分别对应均值准不准、分布像不像、判决能不能替代听音试验，论文的结论强度也是逐级减弱的。举例来说，均值准只要求平均位置对，分布像还要求散布和形状对，而判决能替代还要求不同条件之间的相关结构也对，后者明显更难。
整体流程如何从波形走到平均分和区间
整体流程可以沿着一个样本来走。先把参考和待测波形送入共享的、不可训练的 PEAQ 风格前端，计算一次 11 维特征向量。特征向量同时送给多个低容量回归器，每个回归器输出一个分数，得到原始成员分数集合。接着用全局校准把原始分数变成校准后分数，校准只拟合一次全局参数，不针对每个条目单独拟合。最后把校准后集合当作经验分数分布，均值作为平均分估计，再通过与目标听音小组规模相同的伪面板重采样得到面板匹配区间。
训练或校准用的信息有两类，一是特征加主观平均分构成的回归训练数据，二是每个训练刺激的主观均值和样本标准差，用于拟合仿射参数和宽度因子。图 1 把这条主路径和两条虚线校准路径画在了一起，读图时注意区分实线推理和虚线训练校准，实线是新样本进来怎么算，虚线是参数从哪里学来。
下面这张系统框图展示了从波形比较、集成回归、全局校准到分布输出和区间估计的完整链路，是理解前后符号对应关系的关键，读的时候先看主链再看虚线。
看图路径： 1. 先沿参考信号和待测信号到 PEAQ 比较再到集成的从左向右主路径看数据流向；2. 再看虚线所示的自举样本和校准参数拟合从哪里来、作用到哪里；3. 最后看校准后分布如何同时分出平均分估计和面板匹配区间两条输出
论文图 1。原论文 Figure 1:：“Proposed system. A shared PEAQ-style front-end feeds bootstrap-trained regressors.”。
从图中可见左侧两个输入框是参考信号和待测信号，中间是 PEAQ 比较得到 11 个失真度量，之后是多个低容量回归器并列输出成员分数，再经过全局均值和宽度校准形成校准后蒙特卡洛样本分布，最右侧同时给出平均分公式和面板匹配区间估计，下方两个框分别表示回归训练数据和训练数据的均值方差统计，虚线箭头标明自举样本和校准参数只在训练校准阶段拟合一次。推理时虚线不再参与，每个新样本只走从左到右的实线，校准参数保持冻结。
感知前端和低容量集成各自负责什么
感知前端是从参考和待测到特征向量的映射，输出维度固定为 11，对应 PEAQ 基本模型的模型输出变量，描述带宽受限、噪声以及时间和频谱失真等感知相关退化。它的作用是把与参考相关的可听差异压缩成低维且可解释的特征，而且对所有回归器共享，只计算一次，这样集成的 50 次预测不会重复做听觉分析。
回归器集成是多个从特征到分数的映射，每个成员结构相同但训练样本不同，论文选的是多变量自适应回归样条作为基学习器，看中的是准确性和复杂度之间的折中以及平滑行为。成员数取 50，论文说这是在准确性和复杂度之间实用的折中，足以得到稳定预测而不带来不必要计算开销。未校准时成员间差异只反映学到的平均分映射对自举训练数据划分的敏感性，还不等于主观听众间差异，必须经过校准才被当作人工听众分数的候选。
这个区分很重要，否则会误把模型不稳定直接当成人的分歧。
PEAQ 风格感知前端 × 失真度量 × 回归器集成： PEAQ 风格感知前端负责把参考信号和待测信号比较成 11 个失真度量，失真度量是描述带宽、噪声和时频失真的固定特征向量，回归器集成是多个在不同自举样本上训练的低容量回归器，它们分工是前端只做不可训练的听觉特征提取，集成负责把同一特征映射成多个合理的平均分预测，组合后单个样本不再只有一个预测值而是有一组可当作人工听众分数的分布。
自举如何产生可校准的原始散布
自举是理解散布来源的关键。回归训练数据由前端特征和主观平均分组成，每个训练刺激先有多个听众分数，取平均得到回归目标。每个集成成员都在同样大小的有放回自举样本上用平方误差最小化来拟合，成员之间只有训练样本不同，有的训练条目被重复抽到，有的根本没被抽到。打乱平均分标注后学到的不同映射，就被类比为经验偏好不同的听众，这就是论文提出的人工听众假设。
它只是一个工作假设，不是已证明的等价关系，后面三层检验就是为了看这个类比在多大程度上站得住。同一输入下全部成员输出的集合构成蒙特卡洛样本分布，它的均值可作点估计，标准差反映训练划分带来的变异。原始宽度通常太窄或尺度不对，因为回归器本来是冲着平均分去的，没有理由自动学会听众散布，所以需要下一步的全局校准把它拉到主观尺度。
自举重采样 × 人工听众假设 × 蒙特卡洛样本分布： 自举重采样指从训练集有放回抽取同样大小的样本训练每个成员，人工听众假设指把打乱平均分标注后学到的不同映射类比为经验偏好不同的听众，蒙特卡洛样本分布指同一输入下全部成员输出的集合，三者搭配的意义是让训练数据划分带来的映射敏感性显式表现为分数散布，为后续校准提供可调整的原始宽度。
\[(a,b)=\arg\min_{a,b}\sum_{i}\left[m_{i}-\left(a\mu_{i}^{\mathrm{mc}}+b\right)\right]^{2}.\]均值和宽度校准具体算什么
校准分两步，都是全局参数，不是每个条目单独调。第一步是仿射变换，每个成员分数变为 a 乘原始分数加 b，集成均值相应变为 a 乘原始均值加 b，标准差被 a 的绝对值缩放。参数 a 和 b 用最小二乘拟合，使各训练刺激的仿射后集成均值尽量接近主观平均分，这一步只管位置对不对，不管散布像不像。第二步是宽度调整，保持仿射后均值不变，把每个成员偏离均值的部分乘以全局宽度因子，成员分数的标准差因此被该因子缩放。
宽度因子取各校准刺激的主观样本标准差与仿射后集成标准差比值的中位数，论文假设主观方差和集成方差都有限且严格为正，实验数据满足该条件。这样第一步对齐位置，第二步让主观与校准后集成标准差比值的中位数等于 1。校准后输出的均值仍是算术平均，但分布宽度已被拉到与听众散布可比的尺度。
论文还说明模型输出会被截断到听音量程，只有显著性差异分析时不做截断以避免边界效应，而点估计相关系数和均方根误差的微小变化就来自这种截断。
\[\tilde{s}_{k}=\mu^{\prime}+c_{\mathrm{std}}\left(s^{\prime}_{k}-\mu^{\prime}\right),\qquad k=1,\ldots,K,\]\[c_{\mathrm{std}}=\operatorname{median}_{i}\frac{\sigma_{i}^{\mathrm{subj}}}{|a|\sigma_{i}^{\mathrm{mc}}},\]仿射均值校准 × 全局宽度校准 × 面板规模匹配置信区间： 仿射均值校准用全局参数 a 和 b 对成员分数做线性平移缩放以对齐主观平均分，全局宽度校准用中位数比值得到的宽度因子对偏离均值的部分整体缩放以对齐听众分数散布，面板规模匹配置信区间指从校准后分布中有放回抽取与真实听众数相同规模的伪面板并取伪面板均值的分位数，三者组合后既修正位置偏差又修正尺度偏差，还把分布宽度换算成与听音小组规模可比的不确定性。
面板匹配区间如何从分布换算出来
区间构造不直接用成员标准差，而是模拟相同规模的听音小组，这样不同听众数的试验之间才可比。对一次伪面板，从校准后成员中有放回抽取与目标小组人数相同个数的分数再平均，重复 4000 次得到伪面板均值的蒙特卡洛分布。抽取对象是校准后成员分数，抽取次数等于听众数，重复次数是固定的 4000。名义 95% 面板匹配区间取该分布的经验分位数，上下尾各留 2.5%。在人工听众假设下，这个区间估计的是反复抽取同样规模的校准模型听众会得到的均值波动。
基学习器选择和超参数调优在 SEBASS-DB 上用重复的对半留出重采样完成，最终成员按上述自举方式拟合。实现上用了 Python 3.10 和两个第三方工具库，论文正文脚注给出了第三方工具的链接，本次未能确认这些链接当前可达，这只说明来源可达性未确认，不代表方法有缺陷。
\[\bar{s}^{(b)}(L)=\frac{1}{L}\sum_{\ell=1}^{L}\tilde{s}_{I_{b\ell}},\qquad I_{b\ell}\sim\mathcal{U}\{1,\ldots,K\}.\]\[\mathrm{CI}^{\mathrm{mc}}_{i,95}(L)=\left[Q_{\bar{s}_{i}(L)}(\alpha),Q_{\bar{s}_{i}(L)}(1-\alpha)\right].\]在哪些数据和指标下评价
集成和全局校准都在 SEBASS-DB 上训练，它是 MUSHRA 基本音频质量听音试验的公开元数据集，合并了多个分离评测，包含 900 多个分离信号的 11000 多个评分，量程为 0 到 100。选择它的理由是公开可复现，代价是与编码器、码率和内容条件的失配。跨域评价用音频编码领域的 ODAQ 和 USAC 验证集，包含音乐、语音、对白和电影配乐等立体声参考片段和不同退化条件，所有数据集都提供参考信号、退化信号和听众分数。评价按数据库或听音试验分别对原始和校准输出进行。
点估计用主观均值与集成均值的皮尔逊相关系数和均方根误差，相关越高越好、误差越低越好，并列出 2f 和 DeePAQ 作对照，其中 2f 的回归器同样在 SEBASS-DB 上拟合。分布一致性用每刺激 KS 统计量再平均，越低越好。覆盖率用面板匹配区间包含主观平均分的条目比例，越接近 0.95 越好。成对决策用方向性显著对召回率和误报率，召回越高越好、误报越低越好，但两者必须联合解释，多报显著可能同时推高召回和误报。
成对检验流程对主观和模型两侧都先按听众或成员跨条目平均，再做重复测量方差分析和 Bonferroni 校正配对 t 检验，模型侧成员数与听众数不一致时先自举到主观面板规模，至少 1/2 重复显著才算客观显著。
校准后覆盖率和分布一致性变成什么样
下表比较同一数据集上原始集成和校准后集成的两类不确定性指标。覆盖率是面板匹配区间包含主观平均分的条目比例，原文全部结果低于名义 0.95，因此更高表示更接近目标；KS 均值衡量预测与主观分数分布的差异，越低越好。每个数据集分别给出校准前后数值，避免把不同试验混为一组。本表采用封存 PDF 表 1 显示的数值与精度。
| 数据集 | 原始覆盖率 | 校准后覆盖率 | 原始 KS 均值 | 校准后 KS 均值 |
|---|---|---|---|---|
| SAOC-DB | 0.30 | 0.82 | 0.50 | 0.33 |
| SASSEC | 0.31 | 0.75 | 0.46 | 0.28 |
| SiSEC08 | 0.28 | 0.69 | 0.47 | 0.30 |
| ODAQ | 0.34 | 0.47 | 0.44 | 0.41 |
| USAC1 | 0.14 | 0.33 | 0.43 | 0.36 |
| USAC2 | 0.20 | 0.43 | 0.41 | 0.34 |
| USAC3 | 0.22 | 0.34 | 0.42 | 0.35 |
校准后覆盖率在每个数据集上都提高，SEBASS-DB 子集从较低区间提高到较高区间，ODAQ 和 USAC 也有提升，但仍低于名义 0.95，在 USAC 上差距更大。平均 KS 统计量在全部数据集上都下降，说明预测分布与主观分数分布的形状更接近，图 2 的例子也显示单个条目的 KS 从 0.48 降到 0.21，但那只是一个例子，不能代替平均结果。仿射校准对点估计影响很小，相关和误差的微小变化来自截断到量程的操作。与只给点估计的 2f 不同，集成还给出条目相关的分数分布和面板规模匹配区间，这是方法的主要增量。需要强调的限制是覆盖率仍未达标，论文把部分原因归于为可复现而坚持用公开 SEBASS-DB 训练，与 USAC 的编码器码率内容条件存在失配。本表数值与单位依据论文 PDF。
平均意见分 × 经验覆盖率 × KS 统计量： 平均意见分是同一刺激下所有听众分数的平均值，经验覆盖率是面板匹配区间包含主观平均分的条目比例，KS 统计量是主观经验分布函数与模型经验分布函数之间最大绝对差，三者分工是平均意见分评价点估计准不准，覆盖率评价区间不确定性与主观不确定性是否匹配，KS 统计量评价整条分布形状在最坏位置差多少，组合起来才能区分均值准但分布不准的情况。
点估计基线与数据密集方法的差距如何解释
下表比较集成、2f 和 DeePAQ 在平均意见分点估计上的表现，同时展示校准前后的变化。PCC 是预测均值与主观均值的皮尔逊相关系数，越高越好；RMSE 是均方根误差，越低越好，按听音评分量程解释。2f 与本文集成的回归器都在 SEBASS-DB 上拟合；DeePAQ 结果由原文引用已有报告，不能据此假定所有方法使用了相同训练数据。表中保留封存 PDF 表 1 的显示精度，RMSE 只列校准后的集成结果。
| 数据集 | 原始集成 PCC | 校准后集成 PCC | 2f PCC | DeePAQ PCC | 校准后集成 RMSE |
|---|---|---|---|---|---|
| SAOC-DB | 0.93 | 0.93 | 0.81 | 0.93 | 5.2 |
| SASSEC | 0.97 | 0.97 | 0.90 | 0.92 | 4.4 |
| SiSEC08 | 0.96 | 0.96 | 0.91 | 0.95 | 4.6 |
| ODAQ | 0.85 | 0.83 | 0.87 | 0.92 | 12 |
| USAC1 | 0.94 | 0.93 | 0.86 | 0.90 | 5.7 |
| USAC2 | 0.81 | 0.80 | 0.64 | 0.88 | 8.4 |
| USAC3 | 0.78 | 0.77 | 0.82 | 0.93 | 9.5 |
从相关系数看，校准通常只带来很小变化；校准后集成在 SAOC-DB、SASSEC、SiSEC08、USAC1 和 USAC2 上高于 2f，但 ODAQ 和 USAC3 上低于 2f。因此分布与区间能力的新增作用不能解释成所有点估计基线上的全面胜出。DeePAQ 在 ODAQ 和 USAC1 至 USAC3 上的 PCC 高于校准后集成，同样需要保留。本表数值与单位依据论文 PDF。
原文正文还对公共 USAC1、USAC2、USAC3 给出了更多小数位：本方法校准后 PCC/RMSE 依次为 0.93/5.67、0.80/8.39、0.77/9.52，GML with CutMix 的 PCC 依次为 0.88、0.89、0.92。这里采用 PDF 正文精度，与上表按 PDF 表 1 显示的 5.7、8.4、9.5 并不矛盾。这 1 对照表明本方法在 USAC1 上有竞争力，在 USAC2 和 USAC3 上弱于 GML。本文只用 11 个固定 PEAQ 特征、低容量 MARS 回归器和公开 SEBASS-DB 的 11 000 个评分；GML 使用内部编码导向语料的 67 505 个单独评分，以及在 NVIDIA A100 GPU 上训练的 15,250,000 参数网络。
训练数据和容量条件不同，不能把这些 PCC 直接解释为同条件下的胜负。作者推测，更具代表性的公开数据可能改善泛化，仍需独立验证。
为什么校准让成对判决变得更保守
成对决策的结果是校准让检验更保守，误报率下降或不变，但显著对召回率在每个数据集上都下降。这是一个需要机制解释的权衡，不是简单的变好或变差。例如部分数据集主观显著对很少，部分数据集非显著对分别只有 2 对、1 对和 1 对，基于很少对数计算的比率会不稳定，一个计数的变化就会大幅改变比率。
机制上校准保持条件间均值差异不变，但把配对差值中居中后的成员变异按宽度因子缩放，未截断且不重采样时校准后 t 统计量等于仿射后 t 统计量除以宽度因子。由于拟合得到的宽度因子大于 1，显著变得更不容易。论文明确指出只匹配边缘分数分布不足以保证成对决策，因为成对决策还依赖跨条件协方差，而当前校准没有校准这部分。
打比方，边缘分布只管每个条件各自有多散，成对判决还要管同一个听众在 2 个条件下是否一起偏高或偏低，后者没对齐，t 检验的分母就不对。因此分布能用于不确定性筛查和近似成对比较，但还不能替代面板级假设检验。
方向性显著对召回率 × 误报率 × 跨条件协方差： 方向性显著对召回率统计主观显著的成对条件中有多少被模型以正确方向检出，误报率统计主观不显著的对中有多少被模型误报为显著，跨条件协方差指同一听众或同一成员在不同条件间分数起伏的相关结构，三者搭配的意义是只校准边缘分布宽度会同时改变配对 t 统计量，而成对判决还依赖跨条件协方差是否被校准，这解释了为何覆盖率上升的同时召回率反而下降。
哪些结论还不能下
首先覆盖率仍低于名义水平，尤其在 USAC 上，说明估计的不确定性与主观方法的不确定性还没有完全匹配，不能声称区间已经可以直接替代听音区间。其次成对显著性推理不可靠，校准边缘方差反而压低了 t 统计量，跨条件协方差和听众内依赖没有被校准，决策阈值也没有在独立听音试验上验证覆盖、误报控制和统计功效。再次评价存在小样本不稳定性，显著对和非显著对很少的数据集上召回率和误报率的一个计数变化就会大幅改变比率，解读时要看绝对对数。
还有域失配问题，训练用的分离数据强调的失真交互与编码数据的孤立编码失真不同，论文提到在 ODAQ 上预训练效果较差，可能与缺少实际中遇到的失真交互有关。容易产生的误解是把成员间分歧直接当作听众间分歧，实际上原始集成宽度只反映映射对训练划分的敏感性，必须经过主观数据校准才有代理意义。另一个误解是把平均分相关高当作分布也准，本文的证据恰好说明两者要分开评价，相关几乎不变时覆盖和 KS 仍可大幅改善。
还有一个误解是把论文未公开伴随页面当成技术缺陷，实际上伴随页面标注为评审后准备中，来源未确认不是方法缺陷。
复现第一步做什么与成本如何
复现第一步是准备公开数据和固定前端。下载 SEBASS-DB 并按 MUSHRA 量程组织特征与主观均值，同时用 PEAQ 基本模型实现为每个参考和待测对计算一次 11 维模型输出变量，论文脚注指向的第三方实现本次未能确认可达，需要自行确认版本一致性。然后在特征加平均分数据上做 50 个成员的自举拟合，每个成员用平方误差最小化训练 MARS 基学习器，基学习器选择和超参数用重复对半留出重采样确定。
校准参数只拟合一次，先最小二乘求仿射参数，再用训练刺激主观标准差与仿射后集成标准差比值的中位数求宽度因子。推理时对新样本计算特征、跑 50 个回归器、做仿射和宽度变换，再取均值和 4000 次的面板匹配重采样区间。本文使用固定的 11 维感知特征和低容量 MARS 回归器，结构上较轻量；推理包含 50 个回归器预测和 4000 次伪面板重采样。但论文没有报告本方法的训练耗时、显存、推理延迟或吞吐测量，不能据此承诺实测成本更低，也不能给出实时运行保证。
代码开源、权重可下载、系统可运行也要分开确认，本文只给出了工具库名称和伴随页面地址，伴随页面在评审后准备中，不能写成作者资源当前已公开。
什么时候值得尝试还缺哪项验证
当已有参考信号、需要对大量条件快速排序并找出最值得补做主观试验的条件时，这个方法值得尝试，因为它在保持有竞争力的平均分准确性的同时，还给出条目相关的散布和与小组规模匹配的区间，能支持不确定性筛查。复现第一步是先跑通 11 维特征加 50 个 MARS 成员的点估计，再用训练集的主观均值和标准差拟合全局仿射和宽度参数，最后按目标听音小组的人数做伪面板区间。
还需要补的验证是独立听音试验上的区间覆盖、误报控制和功效验证，以及对跨条件协方差和条件相关不确定性的听众级校准，必要时加入域外检测以在不确定性可能不迁移时主动推迟判断。总体上集成回归是实用的不确定性感知质量评估手段，但目前只能用于筛查和优先级排序，还不能替代面板级推理，未来的改进要靠更多样化的公开训练数据和更精细的校准。
研究生复述时可以抓住一条线，波形到特征到多个分数到校准分布到均值和区间，再记住覆盖率提高但未达标、分布变像但成对判决变保守，就抓住了论文的边界。
📎 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