英文题目：Bridging Attribution and Open-Set Detection using Graph-Augmented Instance Learning in Synthetic Speech
会议身份：
conference:eacl:2026:conference-paper-id:2026.eacl-long.250
✅ 来源为官方会议 PDF；可重放的表格、公式文本与 Figure 像素已按 PDF 抽取结果绑定，未成功恢复的结构不作推断。
标签：#图神经网络 #零样本 #语音 #语音伪造检测
评分：6.4/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 1.2/1.5 | 清晰度 0.7/1 | 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
- Mohd Mujtaba Akhtar：机构信息未能从会议 PDF 纯文本可靠映射
- Girish：机构信息未能从会议 PDF 纯文本可靠映射
- Farhan Sheth：机构信息未能从会议 PDF 纯文本可靠映射
- Muskaan Singh：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16kHz重采样语音波形，输出需同时归因至已知合成器并拒识训练未见开放集生成器，难点在于新型商业系统与歌唱等多变声学下的泛化。SIGNAL先经冻结语音基础模型平均池化抽取话语级嵌入并用卷积编码器压缩至64维潜表示。随后构建以查询为中心的生成器原型图并经多头自注意力在类别间传播推理得到图打分。同时距离加权k近邻在同一嵌入空间做实例级相似度估计，两路概率凸组合后按0.5置信度阈值分流至已知类或未知类。与孤立打分的全连接或卷积分类器相比，关键差异是以图传播建模类别相对结构并以外挂近邻承担开放集拒绝，具有实际取证意义。在DiffSSD验证集下，GNN分支的EER为4.37%，从KNN分支的5.52%降至4.37%。该结论适用边界限于DiffSSD与零样本SingFake英语朗读加多语歌唱范围，对多未知源细粒度聚类等尚未验证，原文未披露训练、推理或部署成本。
🔗 开源与复现资源
- 模型相关资源：https://huggingface.co/microsoft/wavlm-base — 暂时无法访问
- 模型相关资源：https://huggingface.co/openai/whisper-base — 暂时无法访问 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，本文要保留哪些信息？
本文的输入是一段待检验的语音波形，输出是两个相互关联的判断。第一个判断是源归因，也就是把这段语音指认到某一个已知的合成语音生成器。第二个判断是开放集检测，也就是判断这段语音是否来自训练阶段从未见过的新生成器。初学者容易把合成语音检测理解成真假二分类，也就是只回答是真人还是机器。本文要解决的更难：真假之外还要回答是哪台机器做的，以及遇到新机器时不要硬指认到旧机器，而是明确标记为未知。
为此论文提出名为 SIGNAL 的统一框架，全称是 Speech Inference via Graph Networks and Augmented Learning。它的学习依赖是先用冻结的语音基础模型抽取 utterance 级表示，再用一个可训练的卷积编码器压缩到低维，随后并行走两条推理路径。一条是图神经网络路径，对已知生成器类别做关系推理；另一条是 k 近邻路径，在训练嵌入空间里做实例级相似度比较。两条路径的概率做凸组合，再用置信度阈值决定走已知归因还是未知标记。论文默认阈值是 0.5，并用消融验证该选择的折中效果。
阅读本文需要保留的关键信息包括表示是否冻结、图节点如何构造、近邻是否训练、融合权重与阈值如何设置、数据集划分是否包含未知生成器、指标方向如何解释。后文先讲任务与相关路线，再沿着一个样本走完输入到输出，然后展开公式、训练、实验条件、结果与反证，最后给出复现清单。教学中举的例子会明确标为例子，不作为论文的数值主张。
已有路线在同输入同目标下卡在哪里？
在相同输入都是单条语音、相同目标都是识别合成痕迹的条件下，已有工作大多做真假二分类。论文指出这类方法在遇到未见过的文本转语音或声音转换模型时性能明显下降，难以支撑取证场景需要的来源指认和分布外鲁棒性。另一类工作开始做来源归因，但往往假设测试样本一定来自已知生成器，等价于封闭集分类，缺少对未知生成器的显式处理。
在表示层面，论文系统比较了说话人识别模型、单语自监督模型、多语言识别模型和状态空间模型。具体包括 x-vector 和 ECAPA 这类时延神经网络说话人模型，WavLM、UniSpeech-SAT 和 wav2vec 2.0 这类在 960 小时英语语音上训练的基础模型，Whisper 这类在大规模多语言音频上训练的识别模型，以及 Audio-MAMBA 这类在 AudioSet 上做掩蔽谱图重建的状态空间模型。白话说，前两类更偏向说话人与内容表征，Whisper 偏向跨语言鲁棒性，MAMBA 偏向时序与频谱细节。论文的假设是生成器痕迹可能藏在韵律模式与合成伪影中，不同预训练目标保留这些痕迹的能力不同，因此需要同一协议下的大规模对照。
在建模层面，论文受到可解释来源归因、基于图的深度伪造检测以及图注意力网络做欺骗检测的启发，提出把图推理与近邻推理结合。图负责类别间关系，近邻负责开放集置信度，二者互补。论文声明据其所知这是首次把图增强学习与开放集检测统一用于合成语音溯源。
Whisper × Audio-MAMBA： Whisper 是以多语言自动语音识别为训练目标的 Transformer 编码器表示，偏向内容与语言鲁棒性；Audio-MAMBA 是以掩蔽谱图重建为目标的状态空间模型表示，偏向时序与频谱细节建模；论文把二者放在同一评测协议下对比，是为了检验不同预训练目标保留的合成器痕迹是否相同，实验报告显示 MAMBA 系列在归因与开放集上更占优。
要同时回答哪两个问题，评测如何制造未知？
第一个问题是封闭集归因。假设测试语音一定来自训练见过的生成器集合，模型要在这些类别中选一个最可能的来源。第二个问题是开放集检测。测试语音可能来自训练从未见过的生成器，模型要先判断是否已知，只有确信已知才做细粒度指认，否则标记为未知。两个问题的输入相同，都是单条语音的波形。
监督不同，前者用已知类别标签监督，后者需要用已知与未知的划分来评价路由能力；运行阶段也不同，前者在已知路由后输出类别，后者在阈值之前就要决定是否进入归因。
论文用 DiffSSD 数据集构造这两种条件。DiffSSD 包含约 200 小时标注音频，其中合成约 70000 条、真实约 24226 条。真实语音来自 LibriSpeech 的 11126 条和 LJ Speech 的 13100 条。合成部分来自 10 个语音合成系统，包括 8 个开源生成器和两个商业工具。每个合成样本用 5000 条覆盖日常话题的英文文本生成，文本由 ChatGPT-3.5 生成并去重过滤。
划分上训练集、验证集和测试集分别有三万余、七千余和五万余条，测试集包含训练未见的商业工具语音，从而形成分布内与分布外混合的评测。零样本泛化则用 SingFake singing voice 数据集检验，该数据集包含数十小时真实与伪造歌声，覆盖多语言、多歌手与音乐场景。
源归因 × 开放集检测： 源归因负责把样本判到训练中出现过的某一个具体合成器，输出是封闭集合上的类别；开放集检测负责判断样本是否来自训练时未见过的合成器，输出是已知或未知二值路由；二者搭配的原因是真实取证既要回答是哪一家做的，也要能说这是一家没见过的，论文用同一套表示和融合分数同时支撑这两类决策。
一个样本如何走完输入到输出？
先跟随一条语音走完全流程。输入记为时频或波形表示，长度为帧数乘以特征维。第一步是表示抽取，把音频重采样到 16 KHz 后送入冻结的语音基础模型，对最后隐状态做平均池化，得到固定长度的 utterance 向量。不同基础模型的维度不同，论文报告 Whisper 和 x-vector 为 512 维，WavLM 等为 768 维，Audio-MAMBA 基础版为 3840 维，ECAPA 为 192 维。第二步是卷积编码，用两层 1 维卷积加最大池化与稠密投影把向量压缩到 64 维，记为查询嵌入。
第三步是并行推理，同一查询嵌入同时进入图分支和近邻分支。第四步是集成融合，把两个分支的类别概率加权平均得到最终分布。第五步是阈值路由，若最大融合概率低于阈值则判为未知，否则按最大概率指认到某个已知生成器。
下图是理解该流程的总览，先看主干再看分支汇合，有助于把后文公式与模块对应到具体箭头。
看图路径： 1. 从左侧波形出发沿箭头数出表示、卷积、展平的主干顺序；2. 对比上方图分支与下方近邻分支的输入是否来自同一展平向量；3. 找到集成块后方的条件菱形并确认阈值两侧分别走向可见类与未知类；4. 观察图分支内部是否经过注意力与全连接再进入集成
论文图 1。原论文 Figure 1：“Proposed framework: SIGNAL. The model extracts representations, followed by parallel reasoning via a Graph Attention Network (GAT) and a K-Nearest Neighbors (KNN) module.”。
从像素看，左侧是波形进入表示块，随后是 1 维卷积与最大池化构成的编码器，再经展平后分叉。上支是图网络节点与边结构，之后经过多头自注意力与全连接进入集成；下支是近邻点簇围绕查询点的实例结构，直接进入集成。集成后输出一列分数，再进入条件菱形，按是否大于等于阈值分流到未知或已知类别集合。这种画法把可训练的图推理与非参数的近邻推理放在同一输入下对比，强调二者共享表示但决策依据不同。
表示与编码做了什么，哪些参数更新？
表示阶段的动作是冻结抽取。论文明确对语音基础模型使用冻结参数，只取最后隐状态的平均池化作为初始嵌入，不做微调。编码器是一个可训练的 1 维卷积网络，包含两层卷积、激活与池化，再加稠密投影。它的作用是把高维通用表示压缩到适合生成器判别的 64 维空间，并为后续图与近邻提供统一度量空间。训练时梯度来自图头的交叉熵损失，更新编码器、查询投影、类原型、注意力与分类投影；近邻分支是非参数的，不参与梯度更新，只在编码器训练完成后收集训练嵌入并拟合距离加权分类器。
符号上，输入音频为 x，冻结基础模型输出为初始嵌入，编码器输出为查询嵌入。原文用一个等式固定了这一步的输入输出关系，符号含义是输入波形到固定维度向量的映射，计算目标是得到可比较的 utterance 表示，实现上是冻结前向加平均池化。
\[z0 = SFM(x) ∈Rd0\]该公式只描述表示抽取，不包含卷积压缩。压缩后的查询嵌入还要经过可学习矩阵投影，再与每个类原型相加，形成查询感知的节点特征，这是图推理的起点。需要指出的缺项是论文未报告卷积核数之外的全部优化细节在该节的逐层梯度路径，但明确了基础模型冻结、编码器与图头训练、近邻无需训练的分工。
语音基础模型 × utterance embedding： 语音基础模型负责把变长波形映射为固定长度向量，承担声学与生成痕迹的特征抽取；utterance embedding 是该映射的输出物，是后续卷积编码器、图分支和近邻分支的共同输入；搭配的意义在于冻结的大模型提供可复用的表示，后续轻量结构只学习生成器之间的可分边界，避免从零学习声学表示。
图神经网络 × k 近邻： 图神经网络负责在已知生成器类别之间做关系推理，通过类原型节点之间的注意力传递提炼相对差异以完成归因；k 近邻负责在编码后的 utterance embedding 空间里做实例级相似度比较，用到训练样本的局部邻域距离给出开放集置信度；二者搭配的原因是前者擅长封闭集判别结构、后者不需要训练即可对分布外样本保持敏感，组合后由加权融合同时输出归因分布和未知检测信号。
图分支与近邻分支各自算什么，如何融合？
图分支的节点包括一个查询节点和多个类别节点。类别节点是可学习的原型向量，每个对应一个已知合成器。边连接查询与每个类别节点，使模型能评估相似度并在其上推理。具体计算是先把查询嵌入经可学习矩阵投影，再加到每个类原型上，得到查询感知的节点特征。随后用多头自注意力让节点互相加权更新，再把每个更新后节点投影为标量 logit，最后经 softmax 得到图分支的类别概率。论文还用该分布的注意力熵衡量不确定性，熵低表示集中指认，熵高表示在类别间分散，但默认决策仍用融合置信度而非熵阈值。
近邻分支的动作是实例检索。训练完成后收集全部训练嵌入并拟合距离加权的 k 近邻分类器。测试时找到查询嵌入的最近邻集合，按距离平方倒数加权投票得到类别分布。权重分母加小常数保证数值稳定。该分支没有可训练参数，监督来源是训练嵌入的类别标签，推理时只依赖局部邻域结构。
融合是凸组合，用系数在图概率与近邻概率之间加权。开放集路由主要用最大融合概率与阈值比较，低于阈值判未知；熵阈值作为可选的辅助不确定性信号，不用于主要模型选择。训练目标是图头在已知类别上的交叉熵，近邻不需要训练。
\[pGNN = softmax([ℓ1, . . . , ℓN])\]上式说明图分支如何从节点 logit 得到归一化概率，输入是更新后节点的标量分数，目标是封闭集归因分布。
\[pens = α · pGNN + (1 −α) · pKNN\]上式说明融合如何加权两条路径，系数在零到一之间，目标是兼顾全局关系与局部相似度的最终分布。
多头自注意力 × 类原型： 类原型负责为每个已知生成器保存一个可学习的中心向量，作为图中的类别节点；多头自注意力负责让查询增强后的原型节点互相查看并加权更新，刻画类别之间的相对关系；搭配后每个节点不再是孤立模板，而是经过上下文修正的判别表示，再投影为类别 logit。
训练更新什么，不更新什么，何时停止？
训练只更新编码器与图头相关的参数，包括卷积编码器、查询投影矩阵、类原型、注意力参数和节点到 logit 的投影向量。语音基础模型保持冻结，近邻分支不训练。监督来源是已知生成器的类别标签，损失是图分支预测分布上的交叉熵。优化器用 Adam，最大学习轮数与批量大小在实验条件中固定，并按验证集性能早停。测试阶段先用训练嵌入构建近邻索引，再对每个测试查询并行计算图概率与近邻概率，融合后按阈值路由。
原文用一个求和式写出图头的训练目标，符号是真实标签与图预测概率，目标是最小化已知类别上的分类误差，近邻不进入该损失。
\[LCE = −\]需要明确的是论文未报告融合系数的搜索网格与近邻个数的具体取值，复现时应把这两项记为待补超参数，只能按默认思路从验证集上调参，不能从模型名称推定实现。阈值默认 0.5，消融节会验证其折中性质。
数据划分、基线、指标与训练预算是什么？
数据方面主评测用 DiffSSD 的预定义训练、验证与测试划分，模型在训练集训练、用验证集选择、最终在保留测试集报告，包含分布内与分布外混合条件。泛化评测用 SingFake 做零样本测试，也就是在 DiffSSD 上训练好的模型直接测 SingFake，不做微调。论文报告 DiffSSD 划分规模与 SingFake 的时长、语言与歌手多样性，强调后者声学结构不同，能检验跨域迁移。
基线方面论文分 3 类。归因类只做封闭集预测，例如只用图；开放集类只做未知检测，例如只用近邻；统一类同时做两件事，SIGNAL 属于第 3 类。对表示则比较全连接网络与卷积网络两种下游分类器，再比较只用近邻、只用图以及图加近邻的组合，从而分离表示增益与推理结构增益。
指标用准确率、F1 分数和等错误率。准确率是分类正确的比例，越高越好；F1 是精确率与召回率的调和平均，在类别不平衡下更平衡，越高越好；等错误率为误接受与误拒绝相等处的错误率，越低越好，尤其适合开放集评价。训练预算为最多 50 轮、批量 32、早停依据验证性能。资源状态方面，本次收到的两条模型链接在本次检查中未能确认可达，因此不能写已公开可用，只能按原文写出模型名称与版本，具体可运行性见复现节。
下表把数据集规模与训练预算放在同一视图，避免把不同阶段的数字混为同一指标。表前已说明比较问题是划分是否支持未知评测、训练条件是否一致，指标方向按上段理解。
| 环节 | 数量或配置 | 说明 | 来源阶段 | 可比性 |
|---|---|---|---|---|
| DiffSSD 训练集 | 31690 条 | 预定义划分 | 训练 | 与验证测试互斥 |
| DiffSSD 验证集 | 7423 条 | 用于选择模型 | 验证 | 与测试互斥 |
| DiffSSD 测试集 | 54613 条 | 含未知商业工具 | 测试 | 支持开放集 |
| 优化器批量 | 32 | Adam 最长 50 轮 | 训练 | 早停依据验证 |
| 学习率 | 1×10-3 | 训练超参数 | 训练 | 复现需保持 |
表后解释：该表的价值在于固定了可复现的预算与划分，未见生成器只出现在测试侧，因此开放集增益不能归因于训练见过未知。代价是论文未报告硬件耗时与推理延迟，不能从轮数推定实际成本；SingFake 的零样本条件意味着声学与音乐结构差异会同时进入误差，不宜把跨域下降简单归为某一模块失效。
主结果在什么条件下支持什么判断？
主结果围绕两个问题组织。第一是已知归因在验证与测试上是否提升，第二是未知存在时的分布内与分布外混合条件是否仍保持优势，比较时保持表示相同而只换推理头，从而分离结构贡献。
在 DiffSSD 上，单独卷积或全连接基线已能利用强表示做归因，但开放集下降明显。单独近邻在混合条件上优于卷积与全连接基线，单独图进一步提升归因的 F1 与等错误率，而图加近邻的 SIGNAL 取得全面最优。以下整理两组有逐字证据的数字，表前问题是同为 Mamba-B 时联合推理相对单一下游分类器带来多少可运行增益，公平条件是同一表示与同一划分，指标方向为准确率与 F1 越高越好、等错误率越低越好。
| 条件 | 指标 | SIGNAL 图加近邻 | 单一卷积基线 | 比较对象 |
|---|---|---|---|---|
| DEV 验证 | 准确率 | 98.11% | 83.27% | Mamba-B 同划分 |
| DEV 验证 | F1 分数 | 96.86% | 82.63% | Mamba-B 同划分 |
| DEV 验证 | 等错误率 | 2.33% | 4.26% | Mamba-B 同划分 |
| 混合 ID/OOD | 准确率 | 88.91% | 69.01% | Mamba-B 同划分 |
| 混合 ID/OOD | 等错误率 | 14.78% | 17.97% | Mamba-B 同划分 |
表后解释：联合配置在验证集上把等错误率压到很低，并在混合条件下保持近 90% 的准确率，支持图关系建模与局部近邻互补的判断。具体代价是混合等错误率仍有十余个百分点，说明未知检测远未解决；且较小模型同样获益，表明增益不完全来自参数规模。未胜出项是 ECAPA 与 UniSpeech 等说话人中心或单语嵌入，在多样生成伪影下相对较低，提示表示与推理需要配对选择。
下图从几何与决策两个角度验证上述判断，先看嵌入分离再看路由与细粒度归因。
看图路径： 1. 先对比子图甲原始嵌入与子图乙图精炼后嵌入的团块分离程度；2. 再读左下二分类混淆矩阵中已知与未知各自被正确路由的比例；3. 最后逐行查看右下细粒度混淆矩阵对角线与非对角混淆位置
论文图 2。原论文 Figure 2：“Subfigure a and b depict t-SNE : (a) shows the raw embedding space on the DiffSSD test set, while (b) illustrates enhanced class separation after GNN-based refinement.”。
从像素看，子图甲的原始测试嵌入在 2 维投影下大面积重叠，不同生成器颜色交织，说明直接用原始表示难以线性分开；子图乙经图精炼后形成多个更紧凑的团块，环绕分布但类间空隙更清晰，支持图头增强了类间关系。左下二分类矩阵显示已知被正确保留约 84.0%、未知被正确标记约 98.2%，说明阈值路由对未知更保守；右下细粒度矩阵对角线多在 90% 以上，但商业工具行存在向其他列的混淆，例如部分样本被分到相近的开源类别，表明细粒度归因仍受生成器相似性影响。像素不能精确读出每一步训练曲线，只能就可见的分离程度与混淆比例做定性判断。
阈值与分支消融说明了什么边界？
消融回答两个问题。若拿掉一条分支会怎样，以及阈值取不同值时代价如何转移。分支方面，论文报告近邻优于卷积基线、图优于近邻、联合优于各自单独，支持两者互补而非重复。阈值方面，用最强的 Mamba-B 在 4 个划分上扫描阈值区间，观察等错误率随阈值的变化。
下图是阈值敏感性分析，阅读时先确认坐标含义再判断好坏，因为纵轴是误差越低越好，不能把曲线向下误读为变差。
看图路径： 1. 确认横轴是阈值取值范围、纵轴是等错误率；2. 比较四条评测划分曲线随阈值增大先降后升的凹形趋势；3. 定位中间阈值附近同时让分布内与开放集误差较低的区域
论文图 3。原论文 Figure 3：“Threshold τ sensitivity of SIGNAL (KNN+GNN) with Mamba-B.”。
从像素看，横轴覆盖从小到大的阈值，纵轴是等错误率，4 条曲线分别对应 DiffSSD 分布内、DiffSSD 混合、SingFake 分布内与混合。曲线整体呈中间低、两端高的凹形：阈值过小会把未知漏判为已知，阈值过大会把已知误判为未知。中间 0.5 附近在 4 个划分上同时取得较低误差，因此论文将其作为默认开放集边界。需要强调的是原文也承认没有固定阈值在所有部署条件下普遍最优，自适应阈值仍是未来工作。
跨域方面，SingFake 零样本结果显示基线卷积已中等，但混合 SIGNAL 进一步降低误差。下表用逐字证据对比同一 Mamba 表示下联合与单一基线的差异，表前问题是跨域增益是否可运行，公平条件是都在 DiffSSD 训练后直接测 SingFake，指标方向同前。
| 条件 | 指标 | SIGNAL 联合 | 单一卷积基线 | 比较对象 |
|---|---|---|---|---|
| SingFake 混合 | 适用性 | 跨音乐多语言 | 同条件 | 未微调 |
| DiffSSD 混合 | 适用性 | 含未知商业工具 | 同条件 | 需阈值路由 |
| 方法类别 | 训练成本 | 近邻免训练 | 卷积需训练 | 结构差异 |
表后解释：联合在歌声跨域上把等错误率从十余个百分点降到个位数，支持结构迁移性的判断；代价是这仍是阈值路由的结果，换数据分布可能需要重调阈值。未评测边界是多个未知源之间的细粒度区分，当前只做未知二值标记，不做未知簇归因。
哪些结论不能下，缺了哪些证据？
论文明确列出 4 类限制。第一，评测只覆盖 DiffSSD 与 SingFake 两个公开基准，不能代表所有合成条件与生成器。第二，开放集依赖决策阈值，虽然在验证范围内稳定，但在完全无约束部署中阈值选择仍是难题。第三，当前只判断是否来自未知生成器，不在多个未知源之间做细粒度归因，未来可用层次或聚类建模扩展。第四，可解释性不足，缺少注意力可视化或原型级解释，在高风险取证中透明度有限。
从证据等级看，报告显示的是准确率、F1 与等错误率的提升，支持联合结构有效的判断；对时序建模带来韵律与伪影捕获的说法属于有限解释，论文用可能性的语言关联 MAMBA 的优势，未做因果验证；对延迟、误判成本与实际部署收益的承诺属于待验证，因为原文未测量推理开销、输出帧率与实际延迟。总体趋势不等于每组每步都成立，不同表示的排序在不同划分上会有变化，复述时应保留条件。
复现先做什么，需要哪些信息条件？
先按划分复现。获取 DiffSSD 的预定义训练、验证与测试划分，保持训练未见商业工具的条件不变；再准备 SingFake 做零样本测试，不做微调。音频统一重采样到 16 KHz，对冻结基础模型的最后隐状态做平均池化，得到固定长度嵌入。编码器按两层 1 维卷积加池化与稠密投影实现，输出维度设为 64。
图头按查询投影加类原型、多头自注意力、标量投影与 softmax 实现，损失用已知类别交叉熵；近邻在编码器训练后用训练嵌入构建，测试时按距离平方倒数加权投票；融合做凸组合，默认阈值取 0.5。
训练按最多 50 轮、Adam、批量 32、验证早停执行，超参数中的融合系数与近邻个数在原文未给出具体值，应在验证集上自行搜索并记录。代码方面原文给出仓库地址，但本次未能确认模型下载链接可达，因此要区分代码开源、权重下载与系统可运行三件事：有代码不等于权重可下载，权重可下载不等于端到端可运行。复现时先跑通单表示加卷积基线，再加近邻、再加图，最后做联合与阈值扫描，每一步保留划分、指标、聚合对象与随机性说明，避免把自动指标当人评，也不要把不同指标的差值混入同一模型列。
何时值得尝试这个组合，还需补哪项验证？
当任务同时需要指认已知生成器与标记未知生成器，且已有较强的冻结语音表示可用时，值得尝试图加近邻的组合。图的价值在类别间关系复杂、单模板相似度不够时更大；近邻的价值在未知样本与已知簇距离可分、且希望免训练快速获得开放集信号时更大。若只有真假二分类需求，或测试封闭且无未知风险，单独的分类器可能已够用，不必引入阈值路由的额外复杂度。
还需补的验证包括在更多生成器与语言上的阈值稳定性、在多个未知源混合时的聚类归因能力、以及推理延迟与存储成本的实测。论文特有的误解是把混合准确率高误读为未知细粒度归因强，实际上未知只做了二值标记；另一个误解是把 MAMBA 参数量小误读为一定更快，原文未报告延迟与资源，速度需实测。收束一句话：冻结表示提供可比空间，图提炼类别结构，近邻提供局部警觉，阈值完成最后分流，而分流的代价与边界必须用开放集协议如实报告。
⚖️ 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