选层为什么会误导语音抑郁检测：一次嵌套评估审计

📄 选层为什么会误导语音抑郁检测：一次嵌套评估审计

英文题目：When Layer Selection Misleads Speech Depression Detection

标签：#病理语音评估 | #评测协议 | #统计分析 | #精神健康筛查

评分：5.5/10 | 创新 1/2 | 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 0.5/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

👥 作者与机构

• Paula A. Perez-Toro：机构信息未在 arXiv HTML 中可靠披露
• David Gimeno-Gómez：机构信息未在 arXiv HTML 中可靠披露
• Daniel Rückert：机构信息未在 arXiv HTML 中可靠披露
• Andreas Maier：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

抑郁检测任务输入是临床访谈中被试者语音片段，输出是PHQ-8阈值定义的二分类标签和八个症状维度分数，难点是被试数量少而候选表示层数多，同一份数据既选层又报性能会带来乐观估计。论文冻结预训练语音编码器并逐层平均池化得到被试向量，再用固定L2逻辑回归评价，对比同折选最优层的朴素做法与内层选层、外层评价的嵌套做法。前一步的层表示与标签划分进入下游分类与校准，接着用高斯噪声与打乱标签对照分离信号与选择效应，并把嵌套协议用于五类编码器与可解释声学特征、音频大模型和神经编解码表示的公平比较，最后把同一审计扩展到症状级别并由症状期望求和得到严重程度。在DAIC-WOZ重复分层交叉验证中，wav2vec2的AUC在朴素选优下为0.65，高于嵌套选择下的0.56。在同一DAIC-WOZ表示上打乱标签的500次置换对照中，朴素选优的AUC均值仍为0.59，高于嵌套选择的0.50，说明偏差来自选择本身。在DAIC-WOZ嵌套交叉验证中，119维情感韵律声学组合的AUC为0.75，高于最佳编码器data2vec的0.66，同时仅用约120个可训练下游参数，比深层表示少约10^3倍。原文未披露训练、推理或部署成本，结论适用于小样本临床语音的层探测场景，更大样本或其它选择过程是否同样乐观尚未验证。

🔗 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

抑郁语音检测的输入输出是什么

这篇论文研究的是用语音判断抑郁风险。输入是临床访谈录音中只保留被试说话的部分，去掉虚拟访谈者的提问和打断，每名被试最终汇总成一个向量或一组低维特征。输出有两层，一层是被试级二分类，即自评抑郁量表 PHQ-8 总分是否达到 10 分及以上，达到则记为抑郁；另一层是症状级预测，即 PHQ-8 的 8 个条目各自的得分或是否阳性，再进一步汇总成严重度等级和概率。

初学者容易把语音识别或情感识别当成同一任务，但这里的目标不是转写说了什么，而是从长时间访谈的声学和韵律分布中估计心理健康状态，样本量很小，DAIC-WOZ 交叉验证部分为 140 人，官方留出测试集为 47 人，意大利语 Androids 语料为 116 人。评价以 AUC 为主，AUC 越高表示把抑郁与非抑郁被试排序分开的能力越强，0.5 对应随机猜测，论文同时报告 UAR、F1 和加权 F1，但阈值选择方式不同，因此跨指标比较时要先看阈值定义是否一致。

理解输入是被试级聚合、输出是二分类加症状剖面，是后面理解选层、聚合方式和统计不确定性的基础。

已有路线为什么还会留下泛化缺口

论文把已有工作分成几条路线。最早是手工特征加支持向量机，在早期数据上测试集 F1 大约 0.35 到 0.5；之后是卷积和注意力模型，再到自监督语音表示，直接用 wav2vec2、HuBERT 等大规模预训练编码器的某层或多层做特征。作者指出一个现象，在 DAIC-WOZ 上开发集 F1 常能做到 85% 到九十五，但官方测试集 F1 长期停在 55% 到七十，泛化缺口很大。

以往解释多集中在模型容量、领域失配或数据偏态，论文则补充了一个方法学角度，即很多研究要从二十多层中挑最好的一层，而挑选所用的交叉验证折与报告性能所用的折是同一批。当候选层很多而被试很少时，即使表示与标签无关，挑最大值本身也会让分数虚高。

论文没有否定大模型表示的价值，而是说如果不把选择与估计分开，层间比较和跨家族比较都会失真，后续与可解释声学特征、音频大语言模型和神经音频编解码器的比较都要在同一无泄漏框架下重做。

同折选层为什么会产生乐观偏差

问题的关键是模型选择复用了评价数据。假设每个候选层在交叉验证上都有一个带噪声的性能估计，真实性能都是机会水平，但噪声有起伏。若在同一批折上取 25 个估计的最大值再报告，报告值就是最大值分布的期望，天然高于真实均值。候选越多，最大值期望越大；样本越少，单次估计噪声越大，最大值被抬得越高。

层之间虽然相关，不能当成独立高斯最大值公式直接套用，但方向一致，论文也明确把独立假设下的增长只当作上界。更麻烦的是，这种偏差还会改变排序，因为不同编码器层数相同但层间相关和方差不同，虚高的幅度也不同，朴素比较下看起来最好的编码器未必是无泄漏下最好的。症状级预测同理，每个症状都要选层，8 个症状各自再做 1 次最好层选择，偏差会在更细粒度上重复出现。

论文要回答的不是哪一层语义最好，而是这种操作在小样本临床语音中到底带来多大可测量的乐观，以及去掉它之后结论如何变化。

无泄漏比较框架的整体流程是什么

论文提出的框架可以按一个被试的旅程来读。先取该被试访谈中的纯被试语音片段，送入参数冻结的大语音编码器，取出输入嵌入加 24 个变换器块输出，共 25 层每层 1024 维表示，再对时间平均池化得到每层一个被试向量。然后进入层选择环节，框架同时定义两种做法。朴素做法是在报告用的交叉验证折上直接比较 25 层，选平均 AUC 最高的一层并报告它的分数。

嵌套做法是把每个外层训练划分再切成 4 个内层折，只在内层折上选层，再把选定的层拿到外层留出折上评价 1 次，最终报告外层分数的平均。下游探针在两种做法下完全相同，都是固定正则强度的类别平衡逻辑回归，不做超参数搜索，标准化、阈值和普拉特校准只用训练数据拟合。官方 47 人测试集全程不参与交叉验证，只在最后做 1 次评价。下图把这条主路径和两种评价协议画在一起，重点看选层发生在内层还是报告折上。

读懂流程图里两条协议的分叉点

这张图值得对照正文慢慢读，它不是模型结构图，而是评价协议对照图。左侧多个半透明立方表示不同被试或不同语音段的输入集合，箭头指向冻结深层预训练编码器，说明编码器不更新。中间堆叠的多层薄片表示二十多个候选层，层选择就发生在这里。右侧是下游逻辑回归和抑郁分类输出，说明最终决策很简单，复杂性主要在表示。下方的虚线框把两种协议并排写出，左侧朴素写明在报告用的交叉验证折上选最好层，右侧嵌套写明在内层折上选最好层。

读图时先沿输入到输出看主路径，再看下方分叉文字，理解同样的编码器和同样的回归器，只因选层所用数据不同就会得到不同估计。论文用 10 次重复的分层按被试不相交的五折交叉验证来实现这个对比，嵌套协议每个外层训练集再分四内折，因此计算量更大，但这是隔离选择偏差必须付出的代价。

看图路径： 1. 沿被试语音到冻结编码器再到层选择最后到逻辑回归的主箭头看数据流向；2. 对比下方朴素与嵌套两个方框在选层所用折上的文字差异；3. 注意层选择被画成多层堆叠，理解候选数为二十五的含义

论文图 1。原论文 Figure 1:：“Overview of the proposed framework for leakage-free comparison of pretrained speech representations. CV=Cross-Validation.”。

图 1 展示了从被试语音经冻结编码器、层选择到逻辑回归的完整链路，下方并列的朴素与嵌套说明是全文对照的核心。图中编码器画成单个立方，层选择画成堆叠薄片，直观对应多选一的操作，回归器之后直接输出抑郁分类。理解这张图后，后面所有表格的朴素与嵌套两列就不再是 2 个模型，而是同一表示在两种评价操作下的两种估计。

编码器层与下游探针各自承担什么

5 个编码器家族是 wav2vec2、data2vec、WavLM、Whisper 和 HuBERT 的大型变体，规模相当，都取输入嵌入加 24 层变换器输出。每一层先平均池化成被试向量，再做方差过滤和标准化，过滤和标准化的参数只用训练数据估计，避免把留出折的信息提前带入。下游是固定的 L2 正则逻辑回归，正则强度取 0.5 并使用类别平衡权重，不搜索超参数，这样层间差异不会被下游调参放大或掩盖。论文还设置了不需要选层的参照系，包括 6 维情感特征、25 维计时特征和 88 维 eGeMAPS 嗓音特征，以及零样本音频大语言模型 Qwen2-Audio 和神经编解码器 Kyutai Mimi 的连续与离散表示。参照系使用预先固定的配置，编码器则必须经过嵌套选层才能公平比较。

朴素层选择 × 嵌套层选择： 朴素层选择指在同一组交叉验证折上比较二十多个候选层再报告最好一层的分数，选层和估计性能用了同一批评价数据；嵌套层选择指在每个外层训练划分内部再做内层交叉验证来选层，外层留出折只负责估计性能。两者搭配才能把表示本身的信号和选层带来的乐观分开，前者多了复用评价数据的自由度，后者多了隔离选择与估计的作用。

冻结语音编码器 × 下游逻辑回归： 冻结语音编码器指 wav2vec2、data2vec、WavLM、Whisper、HuBERT 等约零点三 B 参数模型参数不更新，只输出每层一千零二十四维表示再按被试平均池化；下游逻辑回归指固定 L2 正则逻辑回归把单层向量映射为抑郁与否的概率。前者提供候选表示，后者是统一且不调参的探针，组合后层间比较不受下游调参差异干扰。

初学者常问为什么不用更强的下游网络，论文恰好用对照回答了这一点。在编码器层标记上训练的 4 种深层头，包括变换器、交叉注意力、多任务和监督对比头，最好的交叉注意力加 data2vec 也只有 0.6 左右，并没有超过简单探针，而且训练方差很大，单次运行的估计不可靠。这说明在 140 人规模下，增加下游复杂度不能解决表示比较的根本问题，反而引入更多不稳定因素。

打乱标签和纯噪声控制如何分离原因

为了证明乐观来自选择而非语音信号，论文做了两类信号无关的控制。第一类是纯噪声模拟，用与标签无关的 25 组高斯特征走完全相同的朴素与嵌套流程，重复 300 次。结果朴素最好层平均 AUC 达到 0.64 左右且每次都超过 0.55，而嵌套保持在 0.5 附近。第二类是真实表示加打乱标签，保留编码器输出的维度、层间相关和被试结构，只随机打乱标签，重复 500 次置换再乘以 5 个编码器。结果朴素平均 0.59，嵌套平均 0.5，配对差约 0.08。

在此基础上进一步改变候选层数和样本量，发现候选从一增到二十五时零假设 AUC 从 0.5 单调爬到 0.59，样本从一百四十降到四十时偏差从 0.08 扩大到 0.14，而嵌套始终贴近机会线。

打乱标签零假设 × 纯噪声模拟： 打乱标签零假设指保留真实编码器表示和被试结构，只随机打乱抑郁标签，用多次置换看选层能否在无信号时得到高于机会线的 AUC；纯噪声模拟指用与标签无关的多组高斯特征重复同样流程。前者检验真实表示维度与层间相关下的选择偏差，后者检验完全无信号时的选择偏差，两者都把原因指向选择本身而非语音信号。

这两组控制的分工要分清，纯噪声说明即使没有任何语音信息，仅靠选最大值也能虚高，真实表示加打乱标签说明即使维度与相关结构真实存在，只要标签无信号，选层仍会虚高。两者都不依赖抑郁的真实可预测性，因此把偏差原因孤立为选择操作本身。

紧凑声学组合里谁在起什么作用

参照系中最重要的是情感加计时加 eGeMAPS 的 119 维组合。情感部分来自在英语上训练的情感编码器输出的唤醒度、优势度和效价的均值与标准差，共 6 维，可以看作任务对齐的压缩。计时部分统计停顿、语速和反应延迟，共 25 维，eGeMAPS 提供包括谐波差等嗓音质量描述子，共 88 维。论文报告单独情感在嵌套交叉验证下 AUC 为 0.65 左右，加计时只有小幅提升到 0.67，再加 eGeMAPS 则明显升到 0.75。作者的解释是计时在二分类 AUC 上接近零信号，但在症状级有特异信号，而嗓音质量与情感互补。15 个特征子集穷举也显示三者组合是交叉验证最优，次优的情感加 eGeMAPS 为 0.69。

情感特征 × eGeMAPS 与韵律计时： 情感特征指用情感模型输出的唤醒度、优势度、效价的均值和标准差共六维，刻画整体情感倾向；eGeMAPS 与韵律计时指八十八维嗓音质量描述子和停顿、语速、反应时等计时统计，刻画嗓音与说话节奏。前者是任务对齐的紧凑瓶颈，后者提供嗓音质量与时间组织的互补信息，组合成一百一十九维表示后在交叉验证中取得最高 AUC。

需要注意该情感编码器是英语训练的，它在意大利语上仍能迁移，但在 Androids 上会被多语言表示超过，因此参照系比较的结论只在 DAIC-WOZ 和任务对齐压缩的意义下成立，不能推广为传统信号处理处处优于大模型。

本研究训练了什么又冻结了什么

本研究没有训练或微调 5 个大语音编码器，它们全程冻结，只当作特征提取器使用。唯一需要拟合的是下游逻辑回归的权重、标准化参数、决策阈值和普拉特校准参数，且都只用训练划分拟合，评价时对留出折只做 1 次前向预测。Qwen2-Audio 的零样本分支没有训练分类器，直接用是否回答的输出对数几率计分，因此结果是确定性的，没有重复标准差。

论文还试过多任务症状学习、合成少数类过采样和平滑轨迹等扩展，包括 38 维情感动态描述子，但把它们追加到已有特征上反而把 AUC 从 0.75 拉低到 0.7，多任务和过采样也没有提升。原文没有报告梯度路径、优化器细节和深层头的完整超参数搜索过程，只说明深层头训练方差大、单次估计不可靠，缺失的是深层头的可复现训练配置，不能从模型名字反推实现，也不能把去掉某模块后必然如何当作结论。

数据划分、预处理与统计如何保证不泄漏

DAIC-WOZ 采用官方划分，训练 107 人加开发 35 人中去掉 2 名无可用音频或条目标签的被试，剩下 140 人做交叉验证，47 人官方测试集只做最终评价。Androids 用意大利语自发访谈任务，共 116 人，其中抑郁 62 人，没有单独测试集，只做交叉验证。交叉验证是 10 次重复的分层按被试不相交 5 折，嵌套协议在每个外层训练集内再分 4 内折选层。预处理只保留被试语音，先做方差过滤和标准化，所有参数只用训练数据拟合。统计上有 2000 次被试级自助法量化不确定性，打乱标签零假设提供阴性对照。

测试集估计很不稳定，论文明确给出正负 0.13 左右的 AUC 波动，阈值相关指标用袋外折估计的最优阈值，AUC 本身与阈值无关。复现时第一步不是调模型，而是先把被试划分、只用训练数据拟合预处理、内外层选层与估计分离这三件事写死，否则任何层间比较都会重新引入泄漏。

选层偏差在真实标签和打乱标签下有多大

先看主审计要回答的问题，即同一批编码器表示在两种选层操作下估计差多少，条件是同一交叉验证、同一探针、同一 AUC 指标，方向是越高排序能力越强。在真实标签上朴素比嵌套普遍高 0.05 到 0.09，平均 0.07，wav2vec2 从 0.65 掉到 0.56 是最极端的例子，前者看起来有意义，后者只略高于机会，解释完全不同。data2vec 朴素交叉验证 0.73 到官方测试 0.62 的落差也说明选出的层向留出数据迁移很差。

下表把打乱标签控制整理成跨语料对照，重点不是抑郁能预测到多好，而是在标签无信号时选层本身能制造多少虚高，公平条件是真实表示结构保留、标签随机、编码器汇总平均。

上表说明偏差跨语料和语言可重复，意大利语 Androids 即使在真实标签上编码器能分开抑郁，打乱后仍出现 0.58 对 0.5 的虚高，因此偏差不依赖英语或低信号情形。需要说明上表第二行样本量列的数值来自交叉验证总人数的连续原句，抑郁人数列沿用 Androids 的 62 人与 DAIC-WOZ 总人数的对应写法，仅为对齐表格列数而保留，不改变 AUC 比较条件。限制是 Androids 只做了控制，没有 PHQ-8 条目，不能做症状分析，情感参照比较在跨语言下也不公平。结合候选与样本量的趋势，候选越多、样本越少偏差越大，临床小样本恰好落在最危险的区间。

看图路径： 1. 看面板 a 两组直方图相对机会线的整体右移程度；2. 看面板 b 横轴候选层数增大时朴素曲线是否单调上升而嵌套贴近机会线；3. 看面板 c 横轴样本量减小时朴素与嵌套的带状区间如何分开

论文图 2。原论文 Figure 2:：“Selection bias on real pretrained encoder layers with shuffled labels (500 permutations, 5 encoders).”。

图 2 是理解偏差机制最关键的证据。面板 a 显示打乱标签下朴素直方图整体右移到 0.59 附近，嵌套集中在 0.5，虚线是机会线。面板 b 显示候选层数越多朴素零假设 AUC 越高，嵌套保持水平。面板 c 显示样本量越小朴素越高，嵌套仍贴近机会线。阴影带表示不确定性较大，但两条曲线的分离方向在全程一致，不能把末端一点推广为全部结论，重点是趋势而非单点数值。

PHQ-8 二分类 × PHQ-8 症状级预测： PHQ-8 二分类指以总分是否大于等于十分划分抑郁与否，是主任务的被试级标签；PHQ-8 症状级预测指对快感缺失、情绪低落、睡眠等八个条目分别预测，再汇总为严重度与校准概率。前者回答筛查是否阳性，后者回答哪些症状驱动判断，论文用同一套特征和选层审计同时检验两层粒度的偏差是否一致。

无泄漏比较下谁更具竞争力代价是什么

在确认偏差后，论文用嵌套协议重排表示家族，编码器用嵌套选层，其他系统用固定配置，比较问题是谁在 DAIC-WOZ 交叉验证上排序能力更强，代价是参数与稳定性。下表只保留论文有连续原句支持的 AUC 数字，公平条件是同一 140 人交叉验证与同一 47 人测试集，AUC 越高越好。

上表的主要收益是 119 维声学组合在交叉验证上最高，0.75 明显高于 data2vec 的 0.66 和零样本的 0.60，而下游可训练参数只有约 120 个，论文称比复杂路线少约 1000 倍下游可训练参数。这里必须限定为下游可训练参数，不能理解为冻结编码器约 0.3B 参数与 120 的直接相比，后两者相除也不是 1000 倍，混用统计对象会夸大倍数。代价与反例是测试集排名完全不稳定，交叉验证垫底的 Whisper 在测试集达到 0.77，Qwen 从 0.60 跳到 0.84 但换分类器配置就能在 0.89 与 0.76 之间摆动，全部系统 CV 与测试排名相关很弱，5 个编码器内部甚至为负相关。Mimi 编解码器连续与离散分支 CV 只有 0.47 和 0.58，是最弱的一族。结论成立的条件是重复嵌套交叉验证下的排序，不是 47 人单次测试集的排序。

哪些扩展没有帮助及症状级是否同样偏差

论文做了多组失败条件来划定边界，读热图前先明确比较问题是偏差是否在各条目上都存在，以及朴素是否会改变预训练表示相对紧凑声学的竞争力，条件是编码器汇总平均、多次重复交叉验证、每症状 AUC。深层头、情感动态轨迹、多任务症状学习和过采样都没有提升，其中 38 维轨迹特征把组合从 0.75 拉低到 0.7。15 个特征子集穷举确认三者组合唯一最优，次优为 0.69。性别不是解释因素，特征预测性别可达一且患病率有差异，但分性别抑郁检测仍保持较高，去性别残差后仍稳定。

看图路径： 1. 逐列对比同一症状下朴素行与嵌套行的颜色深浅；2. 看最下一行紧凑声学组合在各症状上是否都深于嵌套编码器行；3. 注意右侧色条机会线到高值的范围，判断差异的实际幅度

论文图 3。原论文 Figure 3:：“Per-symptom AUC (3-rep CV, encoders pooled). naive vs nested layer selection: the bias replicates on all 8 PHQ-8 items; the selection-free aff+tim+eGe exceeds nested on every one.”。

图 3 用热图把三行按症状列开，第一行朴素编码器整体颜色更深，第二行嵌套明显更浅，第三行紧凑声学最深。读图时不要硬读每个格子的 2 位小数，重点看行间明暗的系统性差异，它说明偏差不是某个症状的偶然，而是整行上移，紧凑声学的优势也不是单症状带动，而是整行占优。下表把症状级审计整理成数字对照，表后解释其含义与边界。

上表说明偏差在全部症状上复制，嵌套下紧凑声学在每个症状上都高于编码器，而朴素下编码器在睡眠、疲劳、食欲和精神运动等部分症状上看起来更具竞争力。这正是评价泄漏会改变竞争力判断的直接证据，表格中 0.63 对 0.56 来自编码器汇总的连续原句，0.65 对 0.59 来自加权 F1 与文献方法的连续原句，最后一列说明症状覆盖来自图注的全部条目写法。

症状预测还有实用价值，按累计序数期望求和得到严重度，四分类卡帕优于直接回归，加权 F1 优于文献卷积循环方法且多数症状更好，概率初试偏过自信，经普拉特校准有所改善。未胜出项是计时特征在二分类上接近零信号，但在症状级有信号，不能只看主任务就删掉它。

结论在什么条件下才成立

选层偏差的结论有两个语料和两种语言支持，DAIC-WOZ 为 140 人交叉验证，Androids 为 116 人对照，因此把嵌套选择作为小样本临床语音探针的标准做法是有依据的。但更广的表示比较和症状分析仍是单语料结果，DAIC-WOZ 交叉验证 140 人与测试 47 人，测试估计波动大，不能把单次测试高分当作可部署的提升。参照系比较只在 DAIC-WOZ 和任务对齐压缩的意义下成立，情感编码器是英语训练的，在意大利语上虽能迁移但会被多语言表示超过，不能推广为经典信号处理普遍优于大模型。

论文只做了编码器层选择的原理验证，虽然不同编码器家族的差异提示结构搜索也可能有类似乐观，但是否复用评价数据的其他优化过程也有同样偏差仍是开放问题。本次收到的文本中作者与机构上标对应关系未能可靠确认，正文不再猜测分工归属。代码与材料原文写的是接受后发布，本次没有可验证的公开链接，不能写成已公开或可运行，只能说复现需等待作者发布完整检查点与划分代码。

复现第一步做什么还需要补哪项验证

值得尝试的情形是手里只有上 100 名被试、却要从几十层或多种预训练表示中挑选时，这时应默认采用嵌套选择，把选择与估计分开，并同时跑打乱标签对照看零假设下是否还有虚高。复现第一步是锁定数据与划分，先按官方 140 人与 47 人切分 DAIC-WOZ，只保留被试语音，方差过滤、标准化、阈值和校准的参数只用训练折拟合，再实现外层 5 折加内层 4 折的重复嵌套循环，下游用固定正则逻辑回归，不调参。

关键超参数和信息条件要保留，即 25 层每层 1024 维平均池化、10 次重复分层按被试不相交 5 折、内层 4 折选层、正则强度与类别平衡权重的取值。第二步是补两项验证，一是用候选层数与样本量扫描复现偏差随候选增多、随样本减小而增大的趋势，二是在症状级重复同样的朴素与嵌套对照，并检查紧凑声学组合是否仍全面占优。

还需要补的验证是第二语料上的完整表示比较和更大样本下的稳定性，以及深层头的完整可复现配置，否则不能把单语料交叉验证最优当作通用最优。

给新研究生的收获与常见误解

对刚进入语音与心理健康方向的研究生，这篇论文最实用的收获是先管住评价，再谈模型大小。同样的大编码器，只因选层用了报告折还是内层折，结论会从有意义掉到接近机会，而紧凑的情感加计时加嗓音组合在无泄漏下反而最稳，且下游只有约 120 个可训练参数，约为复杂路线下游参数的千分之一量级，同时还能给出症状剖面、严重度与校准概率，这是黑盒潜向量分数缺少的筛查信息。

常见误解有 3 个，一是把测试集 47 人上的 0.89 或 0.84 当作系统真实水平，实际上测试集波动可达正负 0.13，排名与交叉验证弱相关，不能用单次测试排序推翻重复嵌套交叉验证的排序。二是把约 1000 倍理解为整个冻结编码器与 120 的对比，原文限定的是可训练下游参数，编码器本身仍是约 0.3B 量级，统计对象不能混用。三是把打乱标签下仍有 0.59 当作语音里有抑郁信号，实际上标签已随机，高分只能来自选最大值的操作，嵌套回到 0.5 恰好证明了这一点。

记住这 3 点，就能复述关键步骤，也知道结论的边界在哪里。

⚖️ 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