Multi-View Subband Autoregressive Pole Harvesting for Modal Plate Identification

英文题目：Multi-View Subband Autoregressive Pole Harvesting for Modal Plate Identification

会议身份：conference:dafx:2026:conference-paper-id:DAFx26_challenge_88

✅ 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：#自回归模型 #时频分析 #音频理解

评分：5.3/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.5/1.5 | 清晰度 0.7/1 | 影响力 0.6/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：后50% | 文档类型：系统技术报告

👥 作者与机构

Facundo Franchino：机构信息未能从会议 PDF 纯文本可靠映射
Jatin Chowdhury：机构信息未能从会议 PDF 纯文本可靠映射
Jin Woo Lee：机构信息未能从会议 PDF 纯文本可靠映射
Soohyun Kim：机构信息未能从会议 PDF 纯文本可靠映射
Mark Rau：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

任务输入为未归一化Kirchhoff-Love薄板位移脉冲响应，输出为个数未知M的模态三元组频率、衰减与增益，单板含10^3–10^4个密集重叠模态，高频区快速傅里叶变换峰值拾取与匹配追踪均大量漏检。八轮匹配追踪残差相减先产生数百个锚点，每轮对已拾取原子做岭回归重估再相减，使低显著模态在残差中显形并给出初始计数。原始波形及其一阶、二阶差分随后并行划分为8个对数子带做自回归极点估计，饱和子带递归二分至深度2，利用线性滤波不移动极点但改变残差的性质让弱模态在不同视图中互补显形。跨视图按对数频率间隙去重合并并累计支持度，再由锚点数仿射预测与饱和指示计算目标模态数并以对数间隔占位补足，最后以阻尼双二阶原子做全局岭回归重估增益后输出。在饱和指示评测设置下，高饱和条件ρ>0.45的放大指标β为1.35，高于低饱和条件ρ≤0.10的放大指标β为1.05。与直接峰值拾取或单视图高阶拟合相比，关键差异是把自回归容量耗尽当作密度欠估计的显式信号并递归分配容量，而非盲目提高阶数。当多模态间隔不足1Hz时原子近乎线性相关，只能恢复联合幅值而无法分离个体增益，构成明确的失败条件与适用边界。在苹果M2笔记本硬件上以三路并行处理16条剥离集脉冲响应的推理开销约为6h壁时，本方法无需训练成本，计算量随锚点数增长。

🔗 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，输出必须保留什么信息？

这篇论文要解决的是第一届数字音频效果参数估计挑战赛任务 B。输入是一个未经归一化的位移脉冲响应，也就是一块板被敲击后随时间衰减的振动记录。输出是一张表格，每一行对应一个估计出的模态，包含 3 个量：频率、衰减系数和增益。频率决定音高位置，衰减决定声音拖多长，增益决定这个分量有多响。

初学者容易把这件事想成对脉冲响应做 1 次傅里叶变换找峰，但原文强调单块板就带有上千到上 10000 个模态，在高频区挤在一起，峰拾取和匹配追踪都会留下大量未分辨成分。如果直接用占位频率回填，又会把无意义的衰减和增益注入结果。因此方法必须同时回答有多少个模态、它们在哪里、每个多强，且漏掉真模态的代价远大于多报。

论文把全部计算只建立在脉冲响应本身上，明确不读波形文件之外的板参数文件，不读真值模态表，不用解析模态频率或衰减规律，也不借用任务 A 的信息。这意味着所有阈值和系数都必须在推理前固定，不能看测试真值调参。理解这一点才能复述后续每个组件：锚点提取只是种子，子带自回归才是收割主力，计数补全只是容量不够时的保守兜底，最后增益拟合只做 1 次全局最小二乘。任何把差分视图理解成增强分辨率的做法都是误读，差分不移动极点，只改变各模态的相对显著程度。

同类模态估计路线为何在高频密集区失效？

从频率响应中估计模态参数是声学与结构动力学的老问题，应用包括真实感声学仿真、结构健康诊断和设计优化。传统路线包括有理分式多项式等曲线拟合，以及高分辨率谱估计家族。论文引用的背景指出测量噪声、有限频率分辨率和传感器负载都会让物理参数难以辨认，而复杂系统在高频段模态密度高、重叠严重，传统曲线拟合难以唯一分离单个模态。

另一条相关路线是匹配追踪加时频字典，以及 Prony 类和旋转不变类自回归方法。匹配追踪适合抓显著峰，但对密集重叠区容量不足。高分辨率模态分析能提高分辨率，但全频带直接做高阶自回归计算量大且对噪声敏感。子带思想来自房间脉冲响应的模态分析工作，把全带切成窄带再降采样处理，每带用较低阶数即可分辨局部极点。论文的继承关系是明确的：保留子带降采样加自回归求根的主干，但新增 3 个可核对的改动。

第一是把原始信号与其 1 阶 2 阶差分当作 3 个极点相同但留数不同的视图，第二是容量不够就递归分裂频带，第三是用估计器饱和程度来量化还缺多少模态。这三点都不是通用预处理，而是针对漏检惩罚远大于虚检惩罚这一评价特点设计的。

平板模型与评价规则如何决定宁多勿少？

论文采用的物理模型是 Kirchhoff-Love 板混响的离散形式。每个模态在 z 域是一个阻尼双 2 阶节，分子含增益与 1 次延迟，分母由极点半径与角频率决定。极点半径由衰减系数经采样周期指数映射得到。时域上每个模态是从第 1 个采样开始的衰减正弦，幅度正比于增益与半径的幂，分母带有频率归一化正弦项。问题陈述要求对每条脉冲响应估计出频率、衰减和增益的集合，且总数未知。

评价采用匈牙利算法在对数频率距离上匹配估计与真值，半个八度之外拒绝匹配。每个参数的相对误差按平均截断相对偏差计算，超过 1 按 1 计，未匹配到的真模态在 3 个分量上都计 1，再加上总数相对误差并截断。四项组合后，漏掉一个真模态会在频率、衰减、增益和计数四处同时受罚，而多报一个假模态只在计数项受罚。第二个观察是当多个模态挤在零点几赫兹内，它们的时域原子几乎线性相关，最小二乘只能恢复联合幅度而分不开各自增益。

由此得到的设计准则是在数量上宁多勿少，用占位频率补足缺额，把幅度难题留给全局拟合，而不是在频率端硬删。这解释了为何后文的计数目标函数都是单调上调而非双向修正。

三视图收割管线如何从一条脉冲响应走到表格？

管线的输入是单条原始脉冲响应，输出是包含频率、衰减和增益三元组的表格。先跑 8 轮匹配追踪锚点循环，每轮做傅里叶峰值拾取、联合岭拟合再相减，让下一轮看到次显著模态，得到几百个锚点。接着把信号展开成 3 个视图：原始、1 阶差分和 2 阶差分，每个视图切成 8 个对数均匀且重叠的子带，分别做自回归求根收割。饱和的带被递归切小重跑，然后三视图结果合并去重。

合并后若数量仍低于目标，则用基于脉冲响应的饱和指示计算缺额并用对数均匀占位频率补足。最后固定全部频率与衰减，做 1 次全局岭最小二乘求增益。顶层没有外层迭代搜索和随机重启。

下图是原文管线总览，阅读时先看纵向主链再看横向三视图分叉，有助于把后文 3 个组件放回同一条样本路径上理解。

看图路径： 1. 从顶部输入脉冲响应框沿箭头向下数出主链的八个矩形框；2. 确认中间一行并排的三个视图框如何分叉又汇入同一子带自回归框；3. 核对合并去重框之后计数目标框与增益回填框的先后顺序；4. 确认最末输出表格框只依赖增益回填而不回连到上游

论文图 1。原论文 Figure 1：“Pipeline overview. MP anchors seed three pole- preserving views of the IR; per-view subband AR with adaptive splitting harvests poles; merge, count completion, gain refit pro-…”。

从图中可见纵向箭头是单一自上而下的处理顺序，没有反馈环。匹配追踪框之后分出 3 个并行框，分别标注原始与 1 阶 2 阶差分，它们又汇入同一个子带自回归框，说明三视图共享后续同一套估计代码只是输入不同。自适应分裂框紧跟其后，表明分裂只发生在估计之后按饱和判决触发。合并去重、计数目标与增益回填依次串行，最后落到输出表格框。复述时应强调差分不是预加重去噪，而是利用线性滤波不移动极点的性质制造互补可见性。

分裂不是均匀细分，而是只对高密度饱和带加码；补数不是插值，而是容量不足时的保守占位。

锚点循环与三视图如何分工暴露互补极点？

锚点提取的具体动作是 8 轮残差相减。每轮先在当前残差上做傅里叶峰值拾取，得到候选正弦，再把已累积的全部锚点原子联合做 1 次岭最小二乘重拟合并相减。这个重拟合很关键，它让强分量的旁瓣不至于在下一轮被当成新模态。输出是每块板几百个锚点的频率与衰减集合，记作锚点集。锚点数量后续直接进入线性预测器估计总量，因此锚点不是最终答案，而是计数器的输入。

多视图子带自回归的输入是 3 路信号。原始信号保留低频能量，1 阶差分和 2 阶差分衰减低频但不移动任何模态极点。白话说，同一组音叉经过不同的均衡器，位置不变但谁更突出变了。每路切成 8 个对数均匀子带，重叠 1/4，带内信号搬移到基带、低通滤波再降采样到略高于带宽的采样率，然后做复数自回归拟合。多项式的根即极点候选，只保留落在带内、模小于 1 且衰减为正的根。自回归阶数按带内期望模态数成比例设置，上限为 1800。

匹配追踪锚点 × 多视图子带自回归： 匹配追踪锚点负责用 8 轮残差相减的傅里叶峰值拾取先给出几百个较显著模态的频率与衰减初值，多视图子带自回归负责在原始信号及其 1 阶 2 阶差分 3 个极点不变但留数不同的视图上分频带拟合自回归多项式求根，二者搭配的理由是前者提供稀疏但可信的种子避免盲搜，后者提供密集收割能力，组合后新增的作用是以锚点计数预测总量并以三视图交叉支持去重。

沿一条样本走一遍：输入脉冲响应先被锚点循环扫八遍得到稀疏种子，同时 3 路视图各自被切带降采样并求根，得到稠密但重复的候选池。初学者常问为何不用更高阶 1 次做全带，答案是全带高阶对噪声敏感且算力集中不到高密度区，而子带降采样把每带的局部问题变小，差分视图则让被强邻居压住的弱极点在另一视图浮现。

子带自回归与自适应分裂如何把算力花在密集处？

子带处理的核心是把频率局部化。每个视图的 8 个频带按对数均匀划分，高频带宽、含模态多，低频带窄、含模态少。重叠 1/4 是为了不让带边缘的极点因截断丢失。带内降采样把采样率降到刚好覆盖带宽，这样同样物理衰减在降采样域更容易用低阶多项式表示。复数拟合允许直接处理搬移后的复包络，根的幅角对应频率，模对应衰减。只保留模小于 1 的根对应稳定衰减，只保留衰减为正的根剔除增长伪根，落在带外的根丢弃以避免重复计数。

自适应分裂处理的是阶数用尽仍不够的带。判决条件是同时满足两个事实：自回归阶数已达上限，且该带仍产出至少 50 个稳定极点。对数频率比大于 1.20 的饱和带被对数均匀切成两个子带并重跑估计器，递归深度为 2。这意味着最密的区域最多被切成 4 倍细，而稀疏低频带不分裂。原文强调这是为了在不抬高稀疏带成本的前提下集中容量。

模态极点 × 模态留数： 模态极点由频率与衰减决定在复平面上的位置，模态留数即增益决定该模态在观测中的幅度，二者搭配的理由是线性滤波只改变留数而不移动极点，组合意义在于对同一脉冲响应做差分滤波得到 3 个 görün 不同的视图，它们共享同一极点集合但各自让不同子集更容易被自回归估计器看到。

饱和频带 × 递归分裂： 饱和频带指自回归阶数已达上限且仍给出至少 50 个稳定极点的频带，递归分裂指把对数频率比大于 1.20 的饱和带按对数均匀切成两个子带并重跑估计器至深度 2，二者搭配的理由是高频密集区容量不够而低频稀疏区不需要加算力，组合后新增的作用是把计算集中到模态密度最高处而不整体抬高阶数。

复述时要区分两种容量概念：阶数上限是单带 1 次拟合能给出的最多极点数，饱和是上限已到但稳定极点依然很多的状态。分裂不增加单次阶数，而是把一个拥挤的带换成两个较空的带分别拟合，让原来因阶数截断被挤掉的弱极点有机会出现。若把分裂理解成单纯提高频率分辨率，就会忽略其资源调度本质。

合并去重、饱和补数与增益回填如何定稿？

合并阶段把锚点与三视图自回归根放在对数频率轴上比较。若两个候选的对数差距小于 0.0008 即认为是同一极点而合并，每 1 次跨视图合并给该极点的支持计数加 1。这个支持计数后续用于超量时的删减：当候选池超过目标 1.12 倍时，优先删跨视图支持最弱的。白话说，被多个视图同时看到的极点更可信，只被一个视图看到的在超量时先被牺牲。

即使三视图加分裂后，密集区仍可能欠收割，因为单带阶数有硬上限。补数逻辑分两步。先用锚点数做仿射预测得到初始总量，系数固定为 10.10 与负 4437。再用去重后自回归池规模计算缺额比，即预测总量与已有池之差除以预测总量。缺额比越大说明估计器饱和越严重。

目标总量取预测与已有池加权缺额的最大值，权重按缺额比分四档取 1.35、1.20、1.10 和 1.05，缺额越大放得越宽。若合并池未超限，剩余槽位用对数均匀占位频率填满，占位频率的幅度留给最后拟合决定。

饱和指示 × 计数目标： 饱和指示指由锚点数线性预测与去重后自回归极点池规模之差定义的缺额比，计数目标指经单调放大函数修正后要求输出的总模态数，二者搭配的理由是有限阶估计器在密集区必然欠收割需要量化缺了多少，组合意义是当合并池已超目标 1.12 倍则按跨视图支持删弱项，否则用对数均匀占位频率补足槽位再交由增益拟合定幅。

阻尼双 2 阶原子 × 岭最小二乘增益回填： 阻尼双 2 阶原子指式中每个模态在时域表现为衰减正弦除以频率归一化因子的离散波形，岭最小二乘增益回填指固定全部频率与衰减后在该原子字典下全局求解增益并按列范数加自适应岭项，二者搭配的理由是极点收割只管位置不管幅度需要 1 次全频带能量平衡来定幅，组合后输出可直接写入提交表格的三元组。

增益回填固定全部频率与衰减，在阻尼双 2 阶原子字典下做全局岭最小二乘。使用的样本数为 44100 点，每列的岭系数取该列范数平方的 1e-8 倍，以平衡高低频列范数差好几个数量级的问题。求解出的系数直接作为增益写入表格。需要提醒的是，占位频率的增益由拟合自动定得很小或分摊邻居能量，不代表发现了新物理模态；当邻近模态原子几乎线性相关时，拟合只能保住联合幅度，分不开各自增益，这是原文明确指出的剩余瓶颈。

没有神经网络训练时，什么被固定、什么被计算？

本研究没有神经网络训练阶段，也就没有梯度、优化器、训练集划分、早停或权重更新。所有需要拟合的量都是对单条测试脉冲响应在推理时直接计算得到的。匹配追踪的 8 轮循环是确定性残差相减加最小二乘，不是学习迭代。自回归系数是每带每视图独立求解的线性预测系数，不是跨样本共享的参数。合并阈值、阶数上限、分裂深度、缺额比四档放大系数和超量删减倍率都是在最终评估前固定的常数，其中仿射预测的两个系数在评估前冻结，推理时不读任何真值表更新它们。

真实计算过程按单条脉冲响应组织。先做 8 次峰值拾取与联合重拟合得到锚点数，再对三视图乘八频带最多加两层分裂的所有子带分别做降采样与复数自回归求根，再做 1 次对数差距合并与 1 次计数目标决策，最后做 1 次 44100 点的全局岭最小二乘。顶层非迭代意味着没有外层搜索循环改变频率初值，也没有随机重启，多次运行同一脉冲响应在相同数值库下结果一致。

但这不等于从冻结参数能推定系统输出确定，数值求根与最小二乘仍受浮点与并行调度影响，论文未报告重复运行方差，此处只能说流程是确定性设计的直接计算，不能承诺比特级可复现。未报告的缺项是各子带期望模态数如何估计以设定阶数比例，以及复数自回归的具体求解器与正则化细节，复现时需自行补齐并记录。

数据、运行条件与合规边界是什么？

论文未给出可核对的训练划分与测试划分表，也未报告信噪比、采样率以外的采集条件。能核对的实验条件是运行与合规侧。硬件为 16 GB 统一内存的苹果 M2 笔记本，仅用中央处理器计算，对 16 条精简集脉冲响应用 3 路按板密度分组的并行处理，总墙钟时间约 6 小时，单板成本随锚点数增长。管线不读波形文件、板参数文件或真值模态表，系数在最终评估前固定。这些合规陈述对应挑战赛对使用外部信息与任务 A 信息的限制。

下表把可运行配置收拢为一张参数表，阅读时先确认每行是哪个阶段的哪个动作，再核对数值是否与正文一致，不要把不同阶段的门限混用。

阶段	输入对象	划分与处理	保留条件	容量上限
锚点提取	当前残差	8 轮傅里叶峰值拾取加联合重拟合相减	联合原子集参与每轮重拟合	每板数百个锚点
多视图构造	原始与 1 阶 2 阶差分	三视图并行	极点位置不变只改变留数	3 路输入
子带划分	每视图信号	8 个对数均匀子带	25% 重叠	每带独立拟合
自回归求根	基带降采样信号	复数拟合求多项式根	带内且模小于 1 且衰减为正	阶数上限 1800
饱和分裂	已达上限的带	对数均匀切二子带至深度 2	至少 50 个稳定极点	只分裂高密度带

上表覆盖了从残差到子带的主路径配置，主要收益是把全带难题拆成多个小而独立的局部问题，主要代价是三视图乘八频带再乘分裂的计算量显著高于单次全带拟合。未胜出或未评测的边界是原文未报告不同重叠率、不同视图组合或不同阶数上限下的对照，复现时若改动其中一项需单独记录耗时与候选池规模变化，不能默认更大重叠或更高阶数一定更好。

在漏检重罚下，数量策略与增益瓶颈各得到什么支持？

原文没有给出可核对的定量主结果表格，也没有报告在公开测试集上的相对误差数值与排名。因此本节不能转述任何分数，只能讲论文明确用机制与观察支持的两个判断。第一，数量上宁多勿少。评价对漏检在 3 个参数分量与计数项同时计最大惩罚，而虚检只影响计数项，因此输出计数在犹豫时应偏高。饱和补数的四档单调放大与超量 1.12 倍才删减的逻辑都是这一判断的直接实现。

第二，增益是剩余瓶颈。当多个模态挤在零点几赫兹内，时域原子几乎线性相关，无论窗口多长或正则化怎么调，最小二乘只能恢复联合幅度而分不开各自增益。论文把这一点列为主要局限，并建议后续在频域局部拟合增益或在小邻域联合精修频率、衰减与增益。

需要区分直接报告与有限解释。直接报告的是管线能在单机中央处理器上处理 16 条精简集脉冲响应并产出符合提交格式的表格。有限解释是三视图与分裂让密集区看到更多极点，但原文未提供消融数值证明各自贡献占比。未验证的推测是占位频率能降低计数惩罚，这在评价规则上成立，但占位频率的衰减与增益是否引入新的参数误差，原文未量化。阅读时不应把总体趋势推广到每块板都成立，高密度板与稀疏板的缺额比与放大档位不同，效果必然不同。

若要拆开验证，应该对照哪几组条件？

原文未报告正式消融表格，但按证据可以列出论文特有的、复现时应优先补做的对照维度，而不是笼统的去掉某一模块必然怎样。第一组是视图数量：仅原始、原始加 1 阶差分、三视图全开，比较去重后极点池规模与跨视图支持分布，条件必须固定子带划分、阶数上限与合并阈值。第二组是分裂策略：不分裂、仅分裂 1 次、递归至深度 2，比较饱和带数量与高频段候选增量，同时记录每档的额外耗时。第三组是计数策略：仅用仿射预测、加缺额比放大、再加占位补足，比较输出总数与计数项的理论变化，注意占位频率不改变已发现极点的位置，只改变总数。

下表把饱和补数与增益回填的可核对门限收拢为第二张宽表，便于复现时逐项检查是否与原文一致。

判断对象	门限条件	放大或删减系数	补足方式	拟合配置
合并去重	对数差距小于 0.0008	跨视图合并支持计数加 1	同一极点只保留一个	按支持排序
缺额比放大	大于 0.45 取 1.35，大于 0.30 取 1.20，大于 0.10 取 1.10，其余取 1.05	单调上调总量	取预测与加权缺额最大值	缺额越大放越宽
超量删减	超过目标 1.12 倍	删跨视图支持最弱者	否则用对数均匀占位补槽	占位幅度交拟合定
增益回填	44100 个采样全局拟合	每列岭系数为列范数平方的 1e-8 倍	平衡高低频列范数差异	系数直接作增益

上表的主要收益是所有门限都可直接照抄实现，主要代价与反例是这些系数未见敏感性分析，换一块密度分布不同的板集可能需要重调。未评测的边界包括合并阈值过小会导致重复计数、过大则会合并真邻近模态，占位频率过密会抬高计数项的虚检部分。复现时应固定其他项每次只动一项，并同时报告候选池规模、目标总量与墙钟时间，否则无法判断收益来自机制还是来自单纯增加输出数量。

哪些误差是方法本身无法消除的？

第一个局限在增益。当邻近模态频率差远小于带宽倒数，它们的衰减正弦在 44100 点窗口内几乎共线，设计矩阵条件数很大，岭项只能稳定求解而不能创造区分信息。此时频率与衰减即使正确，增益相对误差仍接近上限。论文明确承认这一点，并指出需要频域局部拟合或小邻域联合精修。这意味着复述时不能把增益误差归因于采样点不够，原文已说明与窗口长度和正则化无关。

第二个局限在计数。仿射预测系数与四档放大系数都是在评估前固定的经验值，没有不确定度估计。若锚点循环在某块板上因强共振掩蔽而少报很多，线性预测会系统性偏低，缺额比放大只能按比例上调而不能发现全新频段。占位频率是对数均匀填充，不能恢复真实频率的簇结构，在匈牙利匹配的半个八度拒绝门限下，部分占位可能匹配不上而只增加计数虚检。第 3 个局限在成本。

16 条精简集约 6 小时的中央处理器墙钟时间意味着全量集或更高密度板的外推成本很高，三视图与分裂的乘积效应在资源受限时可能需要降配。论文未测量延迟、误判率与内存峰值随板密度的曲线，部署前需自行补测，不能承诺实时或低成本。

复现时先做什么才能不偏离原文条件？

先准备单条非归一化脉冲响应的读取与三视图构造。实现 1 阶与 2 阶有限差分时保持长度对齐，不要做额外归一化或预加重，因为原文强调使用未归一化脉冲响应且差分只为改变留数。然后实现 8 轮匹配追踪锚点循环，每轮包含傅里叶峰值拾取、全部锚点联合岭重拟合与残差相减，记录锚点数。接着实现子带链：8 个对数均匀带、重叠、搬移基带、低通与降采样、复数自回归求根、带内稳定根保留，阶数按带内期望模态数成比例并封顶。每带记录是否同时满足阶数到顶且稳定极点至少 50 个，满足且对数频率比大于 1.20 则分裂重跑至深度 2。

再实现合并与计数。按对数差距阈值合并并累计跨视图支持，用固定系数算初始总量与缺额比，按四档放大得目标总量，超目标 1.12 倍则删弱项否则用对数均匀占位补足。最后用 44100 点全局岭最小二乘求增益，每列岭系数按列范数平方比例设置，输出频率、衰减与增益三元组。资源状态方面，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，复现需自行实现上述全部步骤。

建议先在一条稀疏板上跑通全链并检查候选池规模、目标总量与输出行数三者是否单调一致，再扩展到高密度板并记录每阶段耗时，避免 1 次全量运行难以定位偏差来源。

何时值得尝试这套收割思路，还需补哪项验证？

当任务的输入是单通道脉冲响应、输出要求完整模态三元组、评价对漏检远重于虚检，且模态数以千计而算力只允许单机中央处理器离线处理时，这套思路值得尝试。其可取之处在于把物理不变性转化为视图多样性，把容量不足转化为可观测的饱和信号，再用保守补数对齐评价偏好。每一步都有明确可抄的阈值，适合研究生逐段实现与逐段打印中间量学习。

还需补的验证有三项。第一是视图与分裂各自的增量贡献，需要在固定其他条件下落盘候选池规模与跨视图支持直方图，而不是只看最终总数。第二是占位策略的净收益，需要在评价代码下分别计算计数项下降与参数项上升，确认没有用参数误差换计数收益。第三是成本外推，需要报告单板耗时随锚点数与分裂次数的变化曲线，以及峰值内存，才能判断能否从 16 条精简集推广到更大规模。

常见误解是把差分视图当成去噪或把分裂当成提高分辨率，纠正方法是回到原文命题：差分不移动极点，分裂不提高单次阶数，它们只是让同一极点集合的不同子集更容易被有限容量的估计器看到。