不改伪标签，在参数空间里纠正伪标签：Pseudo2Real 的跨口音修正向量

英文题目：Pseudo2Real: Task Arithmetic for Pseudo-Label Correction in Automatic Speech Recognition

会议身份：conference:acl:2026:conference-paper-id:2026.findings-acl.59

✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。

会议来源：官方记录 · 官方 PDF

标签：#领域适应 #模型融合 #鲁棒性 #语音 #语音识别

评分：6.8/10 | 创新 1.5/2 | 技术严谨 1.0/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Yi-Cheng Lin：机构信息未能从会议 PDF 纯文本可靠映射
• Yu-Hsuan Li Liang：机构信息未能从会议 PDF 纯文本可靠映射
• Hsuan Su：机构信息未能从会议 PDF 纯文本可靠映射
• Tzu-Quan Lin：机构信息未能从会议 PDF 纯文本可靠映射
• Shang-Tse Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Yun-Nung Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Hung-yi Lee：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

面向无标注目标口音语音的自动语音识别需以语音为输入输出对应转写文本，而教师模型生成的伪标签带有口音相关的系统性声学混淆与幻觉，置信度过滤难以纠正继承的结构化误差。Pseudo2Real首先在兼具真实转写与伪标签的源域从同一预训练初始化分别微调得到真实模型与伪标签模型，为分离偏差方向提供配对参数。该方法接着将两者权重相减形成校正向量，使其输出显式编码从伪标签指向真实的去噪方向。然后在仅有语音的目标域上用伪标签微调学生模型，并按在源域开发集网格搜索选定的缩放因子λ加回校正向量，实现上一步偏差估计向目标参数的迁移修正；扩展版进一步按说话人嵌入聚类求多组子向量再平均，以保留异质说话人间的细粒度偏差。与仅过滤或迭代教师的标签空间方法不同，该方法直接在参数空间复用可迁移的修正量，无需目标真值即可抑制系统性误差。在AFRISPEECH-200十口音交叉验证设置下，Pseudo2Real的WER为57.7，低于伪标签微调基线的89.3。该结论适用边界受限于英语口音朗读语音与两折划分，当源目标偏差不重叠或源监督不足时迁移可能失效；训练成本方面原文报告全部实验在单个NVIDIA V100硬件上共计约500 GPU-hours。

🔗 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

输入是什么，目标是什么，为什么伪标签不够用？

这篇论文研究的是自动语音识别中的声学域自适应，输入是语音波形，目标是输出英文文字转写，评价用词错误率。难点在于真实部署会遇到训练时没见过的口音，而给这些口音逐句标注人工转写既贵又慢，有时还受隐私限制。于是常见做法是先用一个已有的教师识别模型给无标注目标语音自动生成伪标签，再用这些伪标签微调一个学生模型。

初学者容易以为数据量上去了效果就会上去，但论文强调伪标签继承了教师的系统性偏置：比如对特定口音的辅音替换、罕见词识别不足、把语音切错位置，或者凭语言模型自信地编造出原文没有的词。更麻烦的是，这种错误不是随机噪声，而是在同一口音里反复出现。只靠置信度过滤把低分片段扔掉，只能减少噪声放大，却纠正不了反复出现的结构性错误。

本文的输入条件因此很明确：源域同时有语音和人工转写加伪标签，目标域只有语音和伪标签，没有目标真值；输出是一个在目标域上更接近真标签训练效果的已校正模型。后续所有方法、实验和复现细节都围绕这个信息条件展开，读者复述时要先说清谁有真值、谁只有伪标签。

已有路线在修哪一类错误，本文换到哪里修？

论文把相关工作分成两大类。第一类是伪标签自训练。一种是用强教师生成伪标签再训练学生，配合噪声学生迭代、多轮自训练和数据增强；第二种是在标签空间做质量控制，用置信度过滤、模型间一致性检查来降权或丢弃不可靠片段；第三种是在适配过程中改进教师本身，例如用学生的指数滑动平均持续更新教师。

这 3 类都在标签或训练过程上想办法，但都没有直接回答反复出现的偏置方向是什么。第二类是语音中的任务算术。已有工作发现，从同一预训练起点微调得到的模型之间做权重加减，可以实现零样本域自适应、跨语言组合、多语言合并，其中与本文最接近的是 SYN2REAL，它用真语音模型减合成语音模型来弥合合成到真实的声学差距，通常用于新文本域。

本文不同之处在于，它用同一批真实语音上的真标签模型减伪标签模型，针对的是标签噪声偏置，应用的是新声学域如非洲口音英语，而且提出用说话人聚类自动划分子群，不需要源域的域标签。

置信度过滤 × 参数空间校正： 置信度过滤负责在标签空间按词级对数概率阈值保留可靠片段，分工是减少噪声放大；参数空间校正负责在权重空间沿伪到真方向移动模型，分工是纠正结构性替换和幻觉；二者搭配的原因是前者删不掉反复出现的系统错误，组合意义是过滤与向量校正互补，论文明确说可与过滤或迭代自训练叠加使用。

理解这组对照后，就能明白本文不是要替代过滤或迭代，而是提供一个可叠加的参数空间修正：先让伪标签把目标域数据用起来，再用源域学到的方向把继承来的系统错误往回搬。

问题如何形式化，什么假设必须先讲清？

论文把口音作为域变化的主轴。记源域为语音与文本对，目标域只有语音，目标真值因标注成本不可用。标准流程是在源域训练教师，对目标语音生成伪标签，再在目标语音加伪标签上训练学生。问题在于教师若对罕见词或特定口音模式持续误识，学生会完整继承。论文的目标是无目标真值时自动发现并缓解这种系统性伪标签错误。

方法依赖两个明确假设。第一是同起点微调的线性模式连通性：从同一预训练权重出发微调的模型处在同一低损失区域，权重差可以解释为有意义的方向，而不是任意噪声。第二是平稳性假设：源域伪标签中出现的系统偏置会在目标域复现。只有第二个假设成立，源域学到的伪到真方向搬到目标域才有效。论文在局限部分也承认，若教师错误高度口音特异，或信道与录音条件与源域不重叠，修正可能变弱甚至起反作用。

复述时不要把这种跨域可迁移性当成已证明的性质，而要当成需要实验检验的工作假设。

Pseudo2Real 全景：先在源域学方向，再到目标域做加法

整体流程分两步，都围绕同一预训练起点展开。在源域，同时准备两种监督：人工转写和教师生成的伪标签，分别微调出两个学生模型，两者权重相减得到修正向量，这个向量被解释为伪标签偏置的反方向。在目标域，先在伪标签上微调得到目标伪模型，再把源域修正向量按缩放系数加回去，得到已校正模型。整个过程在目标域不使用任何人工标注，缩放系数也在源域开发集上选定。举一个教学例子：假设源域有一批豪萨口音英语，教师常把 survived 听成 as a vif，学生跟着学错。

源域真模型与伪模型的权重差就记录了纠正这类声学混淆所需的参数移动方向，到目标域遇到类似口音混淆时，把这个方向加回去有助于恢复正确词。这只是帮助理解的例子，论文的真实证据是后续词错误率和案例转写。 下面这张总览图把两步画成了减法与加法，读者可按从左到右的模型运算顺序阅读。

看图路径： 1. 先看上排源域：左侧真标签模型减去中间伪标签模型得到右侧修正向量；2. 再看下排目标域：左侧伪标签模型加上中间修正向量得到右侧已校正模型；3. 对照图注颜色语义：绿色为源域真值知识，橙色为伪标签噪声，紫色为目标域知识；4. 沿虚线确认两排是先学向量再应用向量，不在目标域使用任何真值

论文图 1。原论文 Figure 1：“Overview of Pseudo2Real. a) In the source domain, two ASR models are fine-tuned from the same pretrained initialization: one using ground-truth tran- scripts and one using…”。

从像素看，上排源域左侧绿色真标签模型减去中间橙色伪标签模型，得到右侧红色修正向量；下排目标域左侧橙紫混合的伪标签模型加上中间修正向量，得到右侧紫色已校正模型。虚线分隔源域学习与目标域应用，颜色语义按图注区分真值知识、伪噪声与目标知识。这张图的重要性在于，它把方法的信息流说死了：修正方向只能来自源域，目标域只有加法，没有真值回路。

修正向量与子群向量如何计算，符号代表什么？

先走完一个样本的计算路径。取源域一条语音，教师先给它生成伪标签文本；同一条语音同时有人工转写。两个文本分别作为监督，把同一个 Whisper 预训练权重微调成 2 个模型：真模型与伪模型。两组权重逐参数相减得到修正向量 τ。

直观上，τ 指向从伪模型走向真模型的方向。目标域一条新口音语音只有伪标签，先微调得到目标伪模型，再做 1 次权重加法得到已校正模型，公式为已校正等于目标伪模型加 λ 乘 τ，λ 控制修正强度。论文对 Whisper SMALL 和 TINY 等模型使用全部模型参数计算该向量，没有只取部分层。

伪标签 × 修正向量： 伪标签负责在无标注语音上提供可训练的目标文本，分工是解决数据缺失但会继承教师的系统性误识；修正向量负责在参数空间记录真标签模型与伪标签模型的权重差，分工是刻画伪标签引入的方向性偏置；二者搭配的原因是过滤只能丢弃不可靠片段而不能指明偏置方向，组合意义是把源域学到的伪到真方向平移到目标域伪标签模型上做加法校正。

参数运算之所以敢做，依赖同起点微调的几何性质。

任务向量 × 线性模式连通性： 任务向量负责把同一预训练起点微调前后的权重差解释为有意义的任务方向，分工是提供可加减的操作对象；线性模式连通性负责保证同起点微调模型仍处于同一低损失区域，分工是让权重差不是任意噪声；二者搭配的原因是只有连通才敢做向量加减，组合意义是支撑跨域直接相加修正向量而不重新训练。

第二种变体是子群修正。做法是用 ECAPA-TDNN 提取每条源域语音的说话人表示，再用 k-means 聚成多个子群，对每个子群分别训练真模型与伪模型并相减得到子群向量，最后把多个子群向量平均后按 λ 加到目标模型上。动机是不同口音或录音条件下教师的错误模式不同，全部混在一起会稀释细粒度信号。

Pseudo2Real × Pseudo2Real-SC： Pseudo2Real 负责用源域全部数据算一个单一修正向量，分工是捕捉跨说话人共享的伪标签偏置；Pseudo2Real-SC 负责先用说话人聚类划分子群再对每群各算一个向量后平均，分工是保留口音或录音条件相关的细粒度偏置；二者搭配的原因是单一向量会抹平异质误差，组合意义是在保持共享方向的同时叠加互补的子群校正。

下面这张参数空间示意图把向量关系画成了点与箭头，适合对照符号理解。

看图路径： 1. 先看 a 面板从预训练点出发的实线箭头与虚线训练轨迹的区别；2. 再看 b 面板左侧从同一预训练点分叉出的真模型与伪模型及其差值 τ；3. 跟踪右侧从目标伪模型出发沿 λτ 向下到达已校正模型的绿色箭头；4. 核对底部两行公式的符号与正文式 1 和式 2 的对应关系

论文图 2。原论文 Figure 2：“Learning and applying correction vectors in parameter space.”。

从像素看，a 面板左下是预训练点，右上是源域真模型，实线蓝色箭头是两者差即任务向量，虚线是训练轨迹；b 面板左侧从同一预训练点分出真模型与伪模型，绿色箭头标为 τ 表示伪到真的修正方向，右侧从目标伪模型出发沿 λτ 向下到达已校正模型。底部两行公式分别对应源域减法与目标域加法。读图时要把箭头方向与公式符号对齐：减法得到方向，加法应用方向，λ 只出现在应用侧。

训练、聚类与纠错基线各自更新了什么参数？

学生模型的训练按原文交代是全参数微调 Whisper SMALL 和 TINY 等模型，优化器用 AdamW，学习率设为 3 乘 10 的负 5 次方，权重衰减为 0.1，最多 40,000 步，线性热身 500 步，批量大小 16，用混合精度减少显存，每 50 步用贪心解码算 1 次词错误率。修正向量本身没有额外的梯度训练，它只是两个已微调模型权重的减法。缩放系数 λ 在源域开发集上做网格搜索，从 0.1 到 1.0 步长 0.1，选开发集词错误率最小的值，目标域不参与选择。

教师模型 × 学生模型： 教师模型负责对无标注的目标语音或源域语音生成伪标签文本，分工是提供监督来源；学生模型负责在这些伪标签上微调 Whisper 参数，分工是真正要部署的识别器；二者搭配的原因是目标域没有人工转写只能靠教师先行标注，组合意义是学生继承教师偏置，这正是修正向量要纠正的对象。

说话人聚类不是训练识别器，而是用现成的说话人编码器提表示，再用 scikit-learn 的 k-means 默认配置聚类，初始化为 k-means++，最多迭代 300 次，收敛容差为 10 的负 4 次方，用标准 Lloyd 算法。每个簇要各训练 1 对真模型与伪模型，因此簇数越多计算量越大。对比基线中，置信度过滤是按平均词级对数概率阈值保留伪标签，阈值在开发集上定。

文本纠错基线是微调 T5-base，把源域教师假设映射回人工转写，输入输出截断到 256 个词元，有效批量 16，学习率 3 乘 10 的负 4 次方，热身 500 步，最多 20,000 步，选验证损失最低的检查点，再用它改写目标域伪标签后训练学生；滑动平均基线是在伪标签训练过程中维护权重的指数滑动平均，衰减系数 0.999，只在评测时替换权重，不用目标真值。原文未报告冻结某些层的设置，也未给出梯度是否截断的额外说明，复述时应指出这些缺项，不从模型名推定实现。

数据、划分、模型与评测条件如何保证可比？

数据集用 AFRISPEECH-200，这是一个约 200 小时的非洲口音英语转写语料，覆盖 120 种口音并带口音标注。论文按样本量选出口音数最多的 10 个口音，且要求训练、开发、测试三划分齐全，沿用官方划分避免泄漏。这里的口音标签指说话人的母语背景，例如 Igbo 指伊博口音英语，而不是伊博语转写。10 个口音被分成两折做交叉验证：第一折为伊博、斯瓦希里、豪萨、祖鲁、特威，第二折为约鲁巴、伊 jaw、阿非利堪、伊多马、塞茨瓦纳，两折样本与说话人数大致相当。

每次一折作源域提供配对数据用于学修正向量，另一折作目标域只提供语音用于伪标签，之后交换角色再做一轮。论文强调这些口音分属尼日尔刚果、亚非和印欧等不同语系，音调、音节与辅音库存差异大，跨家族适配并不容易。模型用 Whisper 系列，覆盖从小到大多个容量，预训练约 680,000 小时弱监督语音。评测指标是词错误率，越低越好，用贪心解码。所有实验在一块英伟达 V100 上完成，总计约 500 GPU 小时。

下表先确认模型规模这一实验条件，比较问题是不同容量下修正是否都成立，公平条件是同一系列与同一训练流程，指标方向是参数量越大通常容量越大。

该表报告了 Tiny 约 39M 参数到 Large v2 约 1550M 参数的编码器与解码器层数，说明后文教师与学生容量配对的含义。它的代价是只给规模，不给本任务上的预训练口音覆盖，读者不能从参数量直接推定口音鲁棒性。论文声明数据与模型的使用许可：AFRISPEECH-200 为知识共享署名非商业相同方式共享 4.0，Whisper 为 MIT 许可，用于非商业学术研究；资源状态方面，本次未发现来源绑定且完成验证的资源，因此不得声称代码、模型或数据已公开，只能按论文附录说将在接收后发布。

主结果：修正向量在多大程度上降低词错误率？

主实验先看教师与学生相同的设置，对比不适配的预训练直推、源域真值微调、目标伪标签微调、置信度过滤、T5 文本纠错、滑动平均，以及目标真值上限。论文报告预训练直推在低资源口音上很差，伪标签微调有明显下降但仍残留系统偏置，而参数空间校正带来一致增益。

下面的宽表把平均词错误率的关键数字放在同一行，便于核对基线、方法和上限的相对位置，比较问题是同容量下修正是否超越直接伪标签训练，公平条件是同目标口音与同伪标签来源，指标方向是词错误率越低越好。

表后解释：TINY 上从 89.3 降到 57.7 对应约 35% 相对下降，SMALL 上从 47.2 降到 45.0 更接近上限。

代价与反例是并非所有口音都赢：SMALL 在豪萨等口音上修正后仍偏高，文本纠错与过滤在个别口音上偶有接近，但平均上不如本方法；更有意思的是 TINY 在伊博、特威、伊多马等口音上甚至超过目标真值上限，论文用插入错误分解解释，称小数据真值微调压不住幻觉插入，而源域带来的抗幻觉正则有助于减少插入。 下面这张缩放系数曲线解释了强度选择问题，读者应先看整体 U 形趋势再谈最优点选择是否稳健。

看图路径： 1. 先确认横轴为缩放系数 λ 从 0.0 到 0.5，纵轴为五个 fold-1 口音平均 WER；2. 再比较五条教师到学生配对曲线在 0.2 到 0.3 附近的最低点位置；3. 观察 λ 超过 0.3 后 Large 到 Tiny 与 Base 到 Tiny 曲线急剧上升的过校正现象；4. 核对 λ 等于 0.0 未校正点与 0.1 到 0.2 轻微校正点的相对高低

论文图 3。原论文 Figure 3：“WER vs. scaling factor (λ). Each curve corresponds to a different teacher–student pairing.”。

从像素看，5 条配对曲线都呈 U 形：从 λ 等于 0.0 向 0.2 到 0.3 下降，之后随 λ 增大而上升，Large 到 Tiny 在 0.5 附近升得最高，Tiny 到 Small 相对最平缓。纵轴是平均词错误率，向下为变好，不能把右侧上升误读为持续改进。论文指出 0.1 到 0.2 的小强度已普遍优于不校正，但过大则过校正，尤其大教师给小学生提供强校正信号时更不稳定。 教师容量变化的细节进一步说明配对敏感性，比较问题是换教师后修正是否仍有效，条件是目标口音固定为 fold-1 的 5 个口音，指标仍是词错误率越低越好。

表后解释：TINY 学生配 BASE 或 LARGE 教师平均增益最大，但 MEDIUM 教师在伊博上出现负增益，LARGE 教师配 SMALL 学生平均几乎持平且豪萨明显变差。这支持修正有效但幅度依赖配对与目标口音的判断，也提醒总体趋势不等于每组都成立。

子群平均与超参数：什么时候更细反而更好？

消融围绕两个可调量：缩放系数已在上节讨论，本节聚焦子群聚类。论文选 MEDIUM 与 LARGE 教师配 SMALL 学生的组合做子群实验，原因是单向量在这些配对上增益较小且口音间差异大，最能检验聚类是否带来额外好处。做法是聚成 8 个簇，对每簇各算一个修正向量再平均。报告显示 MEDIUM 教师下平均相对改善约 4.0%，主要由豪萨约 21.8% 驱动；LARGE 教师下平均约 6.1%，豪萨约 17.5% 加斯瓦希里约 9.9%。

但伊博在两种教师下都有轻微变差，说明过度平均可能稀释口音特异校正。 下表是论文给出的替换与删除对照之外的误差分解证据，比较问题是超越上限时哪类错误在减少，公平条件是同口音同 TINY 到 TINY 设置，指标方向是 3 类错误数越少越好。

该表来自原文矩阵，行是方法，列依次为替换、插入、删除的计数。特威上本方法插入 262 对比上限 670，伊博上插入 3577 对比 3748，替换与删除大致相当。这支持抗幻觉正则的有限解释，但只是两个口音的个案，不能推广为所有口音都减少插入。 聚类数的趋势用下图单独检验，比较问题是簇数增加是否单调改善，条件是 LARGE 到 SMALL 且 5 个 fold-1 口音平均，指标方向仍是越低越好。

看图路径： 1. 先确认横轴为 K-means 聚类数从 1 到 8，纵轴为 LARGE 到 SMALL 平均 WER；2. 再沿蓝色折线从左到右读取随聚类数增加而单调下降的趋势；3. 注意 k 等于 1 对应标准单向量基线，k 等于 8 达到最低点的对比；4. 结合正文确认该平均仍是在五个 fold-1 口音上计算得到

论文图 4。原论文 Figure 4：“WER vs. number of K-means clusters for the LARGE→SMALL setting.”。

从本次实际收到的 FIGURE_4 像素看，横轴为 K-means 簇数、纵轴为平均 WER 且越低越好，曲线随簇数增大呈单调下降趋势。k 等于 1 对应标准单向量情形，k 等于 8 时适应质量最优。论文提醒每簇要训练 1 对模型，k 等于 4 到 8 是性能与成本的折中，超过 8 的更细划分未验证。未评测边界是簇数选择仍需在源域开发集上定，目标域无真值时无法直接选最优。

哪些条件不满足时，修正可能失效？

论文明确列出 4 类限制。第一是源域监督依赖：至少需要一个有配对语音与真值转写的源域来构造向量，若源域太小、无代表性或采集条件差异大，向量会欠拟合或编码错位偏置。第二是伪标签平稳性假设：要求源域出现的系统偏置在目标域复现，若教师错误高度口音特异或信道条件不重叠，修正可能变弱甚至起反作用。

第三是源组成敏感性：实验只用固定两折划分，未系统检验更多折或不同口音混合的影响，部分原因是公开语料中带可靠口音标注的数据很少。第四是语言与口音覆盖：实验只做 AFRISPEECH-200 中的英语口音，且只选三划分齐全的 10 个口音，可能偏向较好表示的口音，未验证其他语言、自发语音、远场或代码切换场景。超参数方面，λ 必须调，调得过大词错误率会恶化，虽然只在源域开发集上调，但迁移到新部署不保证最优。

伦理部分提醒，教师与源域的偏置可能被放大，应用时应按语言与人口子群评估公平性，遵守数据保护与知情同意，不用于监控等侵入式场景。这些不是技术错误，而是使用边界，复述时要用可能与待验证的语气区分已报告与未验证。

要复现，先准备什么，按什么顺序跑？

复现的第一步是准备数据与模型。按原文下载 AFRISPEECH-200 并保留官方划分，筛选出 10 个三划分齐全的口音，再按两折组织源与目标；模型用 Whisper 系列，学生至少准备 TINY 与 SMALL，教师按需准备 BASE、MEDIUM、LARGE。注意本次解读未验证代码与权重链接可达，论文附录说代码与修正向量将在接收后发布，因此先以论文文字与超参数为准，不声称已公开可用。第二步是生成伪标签：用教师对源域语音与目标域语音分别解码，得到源伪标签与目标伪标签。

第三步是训练 3 类学生：源真模型、源伪模型、目标伪模型，训练超参数按学习率 3 乘 10 的负 5 次方、权重衰减 0.1、最多 40,000 步、热身 500 步、批量 16、混合精度、每 50 步贪心解码评词错误率。第四步是算向量与选 λ：在源域开发集上对 λ 从 0.1 到 1.0 网格搜索，选平均词错误率最小者，权重运算用全参数相减与加法。第五步是子群变体：用 ECAPA-TDNN 提说话人表示，k-means 聚成 4 到 8 簇，每簇重复第三步的 1 对训练再平均。评测时报告 10 个口音各自词错误率与平均值，区分相对百分比与百分点，避免把不同指标的差值混入同一列。

还需补的验证包括换源折组成、换信道条件、测推理延迟与训练成本，因为原文只给约 500 GPU 小时总量，未拆分单次训练开销与推理帧率。

何时值得尝试，一句话收束

当你手里有一个有标注的源口音域和一批无标注的目标口音语音，且教师在两者上犯的是相似的系统错误，例如特定辅音替换或固定幻觉词，Pseudo2Real 值得尝试，因为它只用 1 次减法学方向和 1 次加法做校正，不改伪标签流程就能叠加在过滤或自训练之上。操作上先跑通单向量与 λ 搜索，确认在源域开发集上 0.2 到 0.3 附近有 U 形最低点，再在目标口音上看平均与分口音是否一致变好。

若口音间差异大且教师容量足够，再试 8 簇左右的子群平均，但要预算每簇 1 对模型的训练成本。若源域很小、信道差异大，或 λ 在源域选出的值搬到目标后不稳定，就应先补源组成与信道对照，而不是加大 λ。总体上，论文显示参数空间的伪到真方向可以跨口音迁移，尤其对小模型提升最大，但迁移成立依赖平稳性假设，复述时应把已报告的降错数字与待验证的边界分开讲。

📐 原文公式与排版

以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。

区域 1 · 查看论文原页

区域 2 · 查看论文原页

区域 3 · 查看论文原页

区域 4 · 查看论文原页

区域 5 · 查看论文原页

另有 12 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。

⚖️ 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 acl-2026 论文汇总