英文题目：HistoMatch: Unified Transient-Steady Assessment for Noise-Robust Semi-Supervised Speaker Verification
会议身份：
conference:interspeech:2026:conference-paper-id:gao26b_interspeech
来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。
标签：#数据增强 #半监督学习 #鲁棒性 #语音 #说话人验证
评分：6.3/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 1.1/1.5 | 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
- Shenghan Gao：机构信息未能从会议 PDF 纯文本可靠映射
- Xueshuai Zhang：机构信息未能从会议 PDF 纯文本可靠映射
- Pengyuan Zhang：机构信息未能从会议 PDF 纯文本可靠映射
- Yonghong Yan：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
半监督说话人验证（Speaker Verification, SV）需以每说话人仅4/10/20条标注语音学习判别性嵌入，并利用VoxCeleb2上约109万条无标注语音提升泛化。其实际难点在于随机N秒裁剪与MUSAN加RIRs噪声混响增强导致瞬时置信度剧烈波动，造成高质量伪标签被系统性漏筛。该文提出HistoMatch，先以弱增强分支经编码器加分类层得到类别分布并用瞬态阈值筛选高置信子集，再为每个无标注样本维护过去K轮弱增强最大似然预测队列并统计出现次数最多的类别计数作为稳态分数以召回低置信但高稳态样本。随后对批量置信均值与批量稳态均值分别做指数滑动平均（Exponential Moving Average, EMA）更新双阈值，并对标注集与筛选后无标注集统一用可加角度裕度（Additive Angular Margin, AAM）损失训练。与固定阈值及现有自适应匹配框架的关键差异在于以离散直方图计数稳态补偿瞬时评估，避免中期训练的单步漏检。在VoxCeleb2训练、VoxCeleb1-O评测且每说话人20标注时，等错误率（Equal Error Rate, EER）为0.91%，相对同条件下最优基线1.09%约提升16.5%，与全监督0.87%仅差0.04个百分点。该结论仅在VoxCeleb1-O/E/H英语名人访谈语音内验证，未覆盖短时、跨信道与强混响外推，原文未披露训练推理部署成本。
🔗 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
要解决的验证任务是什么？
输入是本篇论文实际研究的半监督说话人验证任务，目标是在只有极少量带说话人标注的语音、另有大量无标注语音可用时，仍能训练出可在 VoxCeleb1 上做试听比对的验证系统，输出是判断两段语音是否为同一说话人的得分与等错误率。必须保留的信息是标注预算的定义方式、增强与切段条件、骨干网络与损失类型，否则不同方法的结果无法比较。本文的输出是 1 篇可核对的方法复述，学习者读完应能说出数据如何划分、伪标签如何产生与筛选、损失如何计算。
说话人验证与图像分类的一个关键区别是训练与测试的几何不一致。训练常用分类层判断属于 5994 个说话人中的哪一个，测试却是开放集的成对验证，比较两条嵌入向量的余弦距离。白话说，训练是认熟人，测试是认生人是否同一人。如果训练损失只优化分类对错，学到的特征可能分类边界清晰但角度距离不紧凑。论文因此把英文术语加性角度间隔损失带入半监督框架，英文为 Additive Angular Margin，缩写 AAM，后文简称 AAM 损失。它的作用是在嵌入与类别权重的夹角上加间隔，逼模型把同一说话人压得更紧、不同说话人推得更开，直接对齐验证时的余弦打分。
半监督在这里的含义是每位说话人只保留 4 条、10 条或 20 条带标注语音，其余 VoxCeleb2 语音全部当作无标注。10 条配置下带标注数据约占总量 6%，20 条配置下约占 11%。这不是全监督，也不是无监督或自监督，监督来源始终是少量真标签加大量经筛选的伪标签。伪标签的白话含义是模型给无标注语音临时贴的说话人标签，一致性正则的白话含义是同一条语音做两种扰动后预测应一致。教学例子仅为例子：比如一条 5 秒语音随机切出 4 秒片段并加噪声，弱增强分支预测为说话人 A 的概率最高，强增强分支也应倾向 A，否则产生惩罚。这个例子不附带任何论文外的效果数值。
Match 家族走到了哪里？
论文把相关路线放在 Match 范式下统一比较，同输入是图像或语音的少量标注加大量无标注，同目标是用伪标签与一致性提升标注效率，同监督都是真标签加伪标签，同运行阶段都是训练时筛选、无需测试时额外模块。固定阈值 FixMatch 用一个高置信门限留下伪标签，优点简单，缺点是训练早期阈值过高导致数据利用不足，且不区分样本难度。FlexMatch 引入按类别学习难度自适应的局部阈值，FreeMatch 进一步用自适应类别阈值加类别公平正则，SoftMatch 用截断高斯加权保留高置信同时压制噪声。
在说话人验证分支上，Int*-Match 强调类内紧凑与类间差异约束，SpeakerMatch 则建模置信分布并加入时序一致性对齐，试图跟踪历史预测稳定性。论文报告的判断是把这些方法直接搬到说话人验证上只带来边际增益，伪标签利用率仍然有限。支持这一判断的证据是后文在相同标注预算与相同 ECAPA 骨干下的对比，HistoMatch 在 3 个测试集上一致更低。需要区分的是这是论文在特定增强、切段与 AAM 改造下的报告，不是跨数据集的因果断言。
一个特有的误解是把 SpeakerMatch 的历史一致性等同于 HistoMatch 的稳态评估。论文明确指出区别：标准说话人验证训练使用随机片段切割加噪声增强，单步预测对声学变化敏感，简单的时序对齐会因预测漂移而同时损失准确率与利用率。HistoMatch 的改进是把历史信息做成直方图计数的显著性统计，再与当前置信做协同决策，而不是直接要求前后预测向量相等。这个区分决定了后文队列与双阈值的设计。
为什么单步置信在语音里尤其不可靠？
问题可以沿一条无标注样本走一遍来理解。输入是一条无标注语音，先随机切出 N 秒片段，再分别做弱增强与强增强。弱增强分支送入编码器得到嵌入，再经分类层得到概率分布，取最大值作为置信度，取最大位置作为伪标签。如果最大值超过阈值，就把该样本与伪标签送入强增强分支计算一致性损失。如果不过阈，就丢弃。这就是瞬时评估：只看当前一步。
论文指出 3 种扰动会让这一步失真。第一是数据增强方差，MUSAN 噪声与 RIR 混响每次随机不同，同一句话这次像干净语音，下次像远场语音。第二是随机切片偏差，切到元音丰富的段与切到停顿多的段，说话人证据量不同。第三是语音本身的固有可变性，语速、情绪、通道都会改变分布。这些在中后期训练会累积成轮内偶发错误：模型其实已经学会该说话人，但某一步恰好切坏或加噪过重，置信掉到阈值下，有效样本被浪费；反之某一步偶然高置信的错标签会被学进去。
因此论文把评估分成瞬时与稳态。瞬时指标回答现在有多确信，稳态指标回答过去 K 轮是否一直这么说。只有同时理解这两者，才能明白为什么需要双阈值。训练早期模型不稳，历史不可信，主要靠瞬时高置信起步；训练中后期模型渐稳，历史的投票价值上升，可以把瞬时掉线的老熟人捞回来。这就是全文的学习依赖，后续所有组件都挂在这条线上。
HistoMatch 的全景是什么？
HistoMatch 的全景可以按输入到输出的主路径复述。左侧有两类输入：带真标签的标注样本与不带标签的无标注样本。标注样本经强增强后进入模型，用真标签计算监督损失。无标注样本分两路：弱增强路进入模型产生概率分布与伪标签候选，强增强路进入同一模型产生待约束的预测。右侧虚线框是双态历史稳定性评估器，英文为 Dual-state History-based Stability Evaluator，缩写 DHSE，后文简称 DHSE。
DHSE 的输入是弱分支的当前概率分布与该样本最近 K 轮的类别预测队列，输出是可信无标注样本集合，该集合与强分支预测汇合计算一致性损失。一致性损失与监督损失相加即总损失。
下段是读图前的导读，说明该框架图要解决的观察任务。读者应先分清左右两大损失回路，再看 DHSE 内部瞬时过滤与稳态过滤如何分工，最后确认历史队列的更新位置，这样才能把文字公式与模块对应起来，避免把概率分布图误读为特征图。
看图路径： 1. 先从左侧标注样本与无标注样本两条输入线看起，确认强增强与弱增强分别走向哪个模型分支；2. 再看右侧 DHSE 虚线框内瞬时过滤与稳态过滤如何汇入已选无标注样本；3. 观察底部更新队列标注的维度变化，理解历史预测如何被累积为直方图计数；4. 最后沿顶部监督损失与一致性损失两条回路，确认可信伪标签在哪里产生梯度
论文图 1。原论文 Figure 1：“The framework of the proposed Histomatch.”。
上图显示的像素细节支持上述复述。左侧红色波形为标注样本，紫色波形为无标注样本，中间绿色块区分强增强与弱增强，两个椭圆模型块表示同一编码器加分类层在不同增强下的 2 次前向。右侧 DHSE 框内上方是已选无标注样本的示意，中间左侧是带 Tt 虚线的概率直方图表示瞬时过滤，右下方是带 St 虚线的类别分布直方图表示稳态过滤，底部是标注维度为无标注量乘 1 到乘 K 的更新队列，箭头标注 Hist-counting 表示对 K 轮预测做直方图计数。
整体箭头走向是弱分支同时送往瞬时过滤与更新队列，队列经计数送往稳态过滤，两路过滤结果交汇后决定哪些样本进入一致性损失。这与正文公式 2 到公式 4 的逻辑一致。
瞬时过滤与稳态计数如何计算？
先走完单样本的计算，再展开阈值。记第 i 条无标注样本在当前步骤 t 的弱增强概率分布为 pti，取其最大值 max(pti) 为置信，取最大位置为伪标签。瞬时过滤的规则是若最大值不小于当前瞬时阈值 Tt，则进入高置信集合。论文强调该阈值是动态调整的置信相关阈值，在训练初期尤为关键，因为此时历史队列尚未填满，只能靠当前置信起步。
稳态分支为每条无标注样本维护一个长度为 K 的时间预测队列，记录从 E-K 到 E-1 轮在弱增强下每次的最大似然类别预测。记该队列的最大相同预测计数为 SEi，计算方式是对每个类别统计在队列中出现的次数并取最大。SEi 越大，说明长期预测越一致，越可能抵抗增强偏差与切段伪影。补充集合的规则是 SEi 不小于稳态阈值 St，同时当前置信低于 Tt。第二个条件是关键：它明确只捞回瞬时掉线但历史稳定的样本，避免与高置信集合重复，也避免把双低样本放进来。
下段导读图 2 的观察任务。该图比较在 FixMatch 框架下监督与一致性分别用交叉熵与 AAM 损失时的等错误率曲线，读者需先确认图例的 3 组组合，再比较高度与斜率，才能理解为何后文统一改用 AAM 损失。
看图路径： 1. 先确认横轴为轮次 10 到 60、纵轴为等错误率百分比，再区分三条图例的监督与一致性损失组合；2. 比较红色实线与其他两条虚线在纵轴高度上的数量级差异；3. 观察蓝色与绿色虚线随轮次增加的下降斜率，判断双端使用角度间隔损失的增益
论文图 2。原论文 Figure 2：“Effect of Loss Combinations in FixMatch with: Com- paring Supervision on Labeled Data, Consistency on Unlabeled Data, and Loss Functions (CE vs. AAM).”。
上图可见横轴为轮次 10 至 60，纵轴为等错误率百分比。3 条曲线中红色实线代表监督与一致性都用交叉熵，始终维持在 45% 到 50% 附近，几乎不下降；蓝色虚线代表监督用 AAM、一致性用交叉熵，从约 6% 缓慢降至约 3%；绿色点划线代表两端都用 AAM，全程最低，从约 3% 降至约 1%。这支持论文的判断：AAM 与验证几何对齐带来显著增益，且两端同时使用优于只在监督端使用。不能把末步数值推广为全程，也不能把该玩具实验的绝对值直接当作主实验结果。
瞬时状态过滤 × 稳态补偿： 瞬时状态过滤负责看当前一步弱增强样本的类别概率是否超过动态阈值 Tt，分工是训练早期快速留下高置信伪标签；稳态补偿负责看该样本在最近 K 个轮次里最多重复预测同一说话人的次数 SEi 是否超过 St，分工是补回那些当前置信被切段或噪声压低但历史上一直稳定的样本；二者搭配的原因是语音的单步置信天然抖动，组合意义是把 1 次判断变成当前证据加历史证据的联合决策，提高噪声下的数据利用率。
伪标签 × 一致性正则： 伪标签分工是给无标注语音一个当前模型认为最可能的说话人类别，作为缺失标注的替代监督；一致性正则分工是要求同一条无标注语音在弱增强和强增强下得到相同或相近的预测，分工是惩罚对扰动敏感的表示；搭配原因是伪标签可能错，一致性可以约束错标签的放大，组合意义是在 HistoMatch 中只有通过双态筛选的可信伪标签才进入强增强分支计算一致性损失。
弱增强、强增强与 AAM 损失如何搭配？
增强的具体安排按原文交代。所有样本先随机裁剪 N 秒，主实验 N 为 4 秒，再做 2 阶段增强，系统性地混入 MUSAN 与 RIRs 的噪声扰动。标注样本只做强增强，无标注样本同时产生弱版本与强版本，3 类增强特征分别送入编码器得到嵌入，再经分类层得到类别概率。原文未报告弱与强在信噪比或混响参数上的具体分档数值，这是一个缺项，复现时只能按 MUSAN 加 RIRS-NOISES 的常规做法补齐并记录，不能从模型名称推定。
损失方面，论文 departing from 原始 FixMatch，用 AAM 损失替代交叉熵，原因已在背景节说明。AAM 损失的符号含义是嵌入与类别权重的夹角、尺度因子 s、角度间隔 n 与说话人标签，计算目标是让正确类的角度余弦加间隔后仍大于其他类。原文给出尺度 30、间隔 0.2 的配置。需要区分的是原始目标是角度分类，一致性目标是弱标签对强预测的约束，优化步骤是对两部分损失求和后更新编码器与分类层。原文未单独说明是否对伪标签做停止梯度，复现时应按 FixMatch 惯例固定弱分支不回传，仅让强分支产生梯度，并在报告中明确该选择。
弱增强 × 强增强： 弱增强分工是做较轻的扰动后送入模型产生相对干净的概率分布和伪标签，作为筛选依据；强增强分工是对同一条语音叠加来自 MUSAN 和 RIRs 的噪声与混响并做随机切段，作为被监督的对象；搭配原因是只有扰动强度拉开差距，一致性才有学习信号，组合意义是弱分支定标签、强分支学不变性，避免模型用同一扰动自己证明自己。
加性角度间隔损失 × 说话人验证： 加性角度间隔损失分工是在分类层权重与嵌入向量的夹角上加一个间隔 margin，迫使类内更紧、类间更开；说话人验证分工是在测试时用嵌入的余弦或角度距离判断两段语音是否为同一人，分工是几何比对而非闭集分类；搭配原因是交叉熵只关心分类对错，与验证时的比对几何不一致，组合意义是让半监督训练的有标签损失和无标签一致性损失都直接优化验证需要的角度空间。
训练的批量、阈值与损失如何组织？
训练过程按原文可复述为批量组织、阈值更新与总损失 3 步。批量上标注批量为 32，无标注批量为标注批量的 mu 倍，mu 为 7，因此每步约 32 条标注加 224 条无标注。阈值上瞬时阈值 Tt 与稳态阈值 St 都用指数滑动平均更新，动量 m 强调近期迭代，批量统计量分别为当前批内平均最大概率与平均 SEi。初始化时瞬时阈值与说话人数相关，稳态阈值从 1 开始，衰减率 0.999。总损失是对标注集的 AAM 监督损失与经 DHSE 筛选的无标注集的 AAM 一致性损失求平均后相加。
学习率 schedule 为 60 轮约 290k 步，前 10 轮从 0 线性暖机到 0.3，再余弦退火到极小值。骨干在主实验为 1024 通道的 ECAPA-TDNN，记为 ECAPA-L，部分消融用 512 通道版本记为 ECAPA-S，以保证与基线公平。基线的损失设计按第 2 节方式统一改为 AAM 相关版本，这意味着对比的不是原始开源超参数，而是同一验证适配下的实现，解读时必须保留该条件。
该节如实说明未报告项：历史队列长度 K 的具体取值、瞬时阈值初始化公式中分母 NS 的精确数值、队列在每个轮次内的更新时机与是否跨轮重置，均未在给定证据中明确。复现时需先固定一个 K 并记录伪标签准确率与利用率随 K 的变化，不能把缺项当作作者错误，也不能自行编造最优 K 来声称可部署收益。
数据、划分与指标如何保证可比？
数据按原文交代：训练用 VoxCeleb2，含 5994 位说话人约 1,090,000 条语音；评估用 VoxCeleb1 的 3 个标准测试集，记为 VoxCeleb1-O、VoxCeleb1-E、VoxCeleb1-H。划分遵循 Int*-Match 协议，每位说话人取 4 条、10 条或 20 条为标注，其余为无标注。10 条配置下标注约占总量 6%，20 条配置下约占总量 11%。这种划分保留了说话人覆盖完整但每人标注极少的特点，适合检验伪标签方法。
评估指标为等错误率与最小检测代价，英文分别为 Equal Error Rate 与 minimum Detection Cost Function，后文简称 EER 与 minDCF。minDCF 的参数为目标先验 0.01 与 0.05、漏报虚警代价均为 1。EER 越低越好，minDCF 越低越好。聚合对象是 3 个测试集各自的试听对，不是跨集平均，比较时必须同测试集、同标注量、同骨干。硬件预算在给定证据中未报告具体型号与时长，只给出批量与步数，复现成本只能按步数与模型规模估算，不能承诺延迟或吞吐改善。
资源状态需单独声明：本次收到的证据中资源状态为未发现来源绑定且完成验证的资源，不得声称代码、模型或数据已公开。读者应以论文仓库链接的当前可达状态为准，本次解读未能确认可达。
主结果在相同标注下赢在哪里？
比较问题是：在相同标注预算、相同 ECAPA 骨干与相同增强下，HistoMatch 是否在 3 个测试集上同时降低 EER，方向是越低越好，公平条件是基线已按第 2 节改为 AAM 适配版本且批量与轮次不大于 HistoMatch。下表整理论文直接报告的核心 EER 与差距，数值与单位保留原文写法，条件为每说话人 20 条标注。表后解释主要收益与代价，并指出未胜出项。
| 测试集 | 本方法 EER | 与全监督绝对差距 | 每说话人标注数 | 标注占比 |
|---|---|---|---|---|
| VoxCeleb1-O | 0.91% | 0.04% | 20 | 11% |
| VoxCeleb1-E | 1.13% | 0.01% | 20 | 11% |
| VoxCeleb1-H | 2.13% | 0.01% | 20 | 11% |
上表显示在 20 条标注条件下 HistoMatch 在 3 个测试集上报告 0.91%、1.13% 与 2.13% 的 EER，与全监督的绝对差距仅为 0.04%、0.01% 与 0.01%，支持接近全监督的判断。代价是该接近性依赖 11% 标注占比与大批量无标注筛选，并非 4 条标注下的水平；且论文同时报告在部分配置下 minDCF 并非全面最优，例如 10 条时个别基线的 minDCF 可能更低，说明 EER 最优不等于代价最优。未评测边界包括跨域、短语音与强噪声下的稳定性，原文未给出，不能推广。
下段是读图前的导读，说明 t-SNE 可视化的观察任务。读者应把该图当作分布示意而非精度证明，先确认子图与颜色含义，再比较簇的紧凑性，避免把 2 维距离直接等同于验证得分。
看图路径： 1. 先确认四个子图分别为 FlexMatch、FixMatch、FreeMatch 和 HistoMatch 的同组说话人分布；2. 对比同一颜色点群在四个子图中的分散程度，重点看被圈出的黄色与红色点群；3. 观察 HistoMatch 子图中各颜色簇的类内紧凑性与类间间隔是否同时改善
论文图 3。原论文 Figure 3：“Speaker distributions visualized by t-SNE:(a) Flex- match, (b) Fixmatch, (c) Freematch, (d) Histomatch. (colors indicate speakers).”。
上图为 8 个说话人类别的嵌入分布，颜色表示说话人，4 个子图分别为 FlexMatch、FixMatch、FreeMatch 与 HistoMatch 在每说话人 4 条标注下的结果。可见前 3 个子图中黄色与红色簇相对分散或与其他簇距离较近，而 HistoMatch 子图中各颜色点群更集中、簇间间隔更清晰，支持其增强类内紧凑性的解释。但这只是定性可视化，不能替代 EER 数值，且 t-SNE 的相对位置受随机种子与参数影响，不能据此推定每组试听对都改善。
拿掉稳态分支会发生什么？
消融要回答的机制问题是：只保留瞬时阈值或只保留稳态阈值时，性能是否下降，以证明双态缺一不可。公平条件是同为 ECAPA-S 骨干、同为每说话人 10 条标注。论文报告保留单分支会导致显著退化，而完整 DHSE 达到相对最优，并在 ECAPA-S 上相对最佳基线有 18.7% 的相对改进。下表整理训练配置的关键数字，用于复现时对齐批量、时长与损失参数，表后说明该配置的含义与限制。
| 配置项 | 批量与比例 | 音频与轮次 | 学习率调度 | 损失与阈值 |
|---|---|---|---|---|
| 主实验取值 | 32，7 | 4 seconds，60-epoch，290k steps，10 epochs | 0，0.3，1 × 10−4 | 0.999，0.2，30 |
| 含义 | 标注批量 32，无标注比 7 | 每段 4 秒，共 60 轮约 290k 步，暖机 10 轮 | 从 0 升至 0.3 再退火至极小值 | 滑动平均 0.999，间隔 0.2，尺度 30 |
上表说明复现时应先对齐批量与增强，再对齐学习率与 AAM 参数，最后再调双阈值。限制是该表只覆盖主实验取值，未包含队列长度 K 与阈值初始化细节，消融中单分支退化的具体 EER 数值在给定连续原句中未完整出现，因此本节不硬写无法核对的消融数值，仅保留论文的方向性结论为待补验证项。另一类特有细节是基线改造：FixMatch、FlexMatch、SoftMatch 与 FreeMatch 的损失已改为 AAM 版本，消融比较的是同适配下的实现，不是原始论文的默认超参数。
至少就近说明一个未胜出项：FreeMatch 在该语音适配下表现明显弱于其他 Match 方法，t-SNE 中也更分散，说明自适应阈值策略并非在所有模态下直接迁移有效。这支持论文选择直方图稳定性而非单纯阈值自适应的理由，但也提醒读者阈值类方法的结论具有条件性。
哪些结论还不能下？
论文直接报告的是在 VoxCeleb2 训练、VoxCeleb13 个测试集上的 EER 与 minDCF，支持在相同标注预算下 HistoMatch 优于所列基线。有限解释是历史稳定性补回了被噪声与切段压低的伪标签，提高了利用率。未验证推测是该机制必然适用于其他噪声类型、语言或极短语音，原文未测量这些条件，不能用可能当作已证明。
缺失证据不是技术错误，但必须明确。原文未报告误判率分解、推理延迟、显存占用与训练 wall-clock 时间，未报告 K 的敏感性曲线与阈值轨迹，未公开可验证的代码与权重状态。因此不能承诺该方法降低延迟或成本，也不能承诺总体趋势在每一步、每位说话人上都成立。相关性不等于因果：EER 下降与稳态筛选同时出现，支持筛选有效，但不能排除 AAM 改造与大批量本身的贡献，消融虽指向双态必要性，仍需更细的对照来分离各因素。
另一个限制是评估协议的封闭性。训练与测试都来自 VoxCeleb 系列，通道与语种分布相近，未检验域偏移。若要部署到金融或医疗等敏感域，还需补跨域、跨设备与小样本说话人的验证，并单独测量校准与公平性，不能把 VoxCeleb1-O 上的 0.91% 直接当作线上预期。
复现应先做什么？
何时值得尝试：如果你的半监督语音任务同样使用随机切段加噪声增强，且观察到大量无标注样本因单步置信略低于阈值而被丢弃，同时训练中后期伪标签准确率波动大，那么引入历史稳定性筛选是合理的。反之如果标注充足或增强很轻，维护队列的收益可能有限，应先调阈值与增强强度。
复现先做三件事。第一按 10 条与 20 条两种标注划分复刻数据，记录标注占比 6% 与 11%，固定 ECAPA 骨干与 4 秒输入、标注批量 32、无标注比 7。第二先跑 FixMatch 加 AAM 的基线，确认监督与一致性两端都用 AAM 的配置，再加入 DHSE，固定滑动平均衰减 0.999、AAM 间隔 0.2 与尺度 30，学习率按 10 轮暖机到 0.3 再余弦退火。第三实现队列时为每条无标注样本保存最近 K 轮的弱分支预测类别，每轮统计最大重复次数得到 SEi，按瞬时与稳态双阈值筛选后再计算一致性损失，并记录伪标签利用率与准确率随 K 的变化。
还需补的验证包括 K 敏感性、阈值轨迹、不同噪声库下的稳定性，以及 EER 与 minDCF 的多次种子平均与显著性。区分代码开源、权重下载与系统可运行：本次未能确认资源可达，复现应从数据与基线做起，保留全部超参数与随机种子，才能声称可运行收益。
一句话收束与防错清单
收束：HistoMatch 把伪标签筛选从单步置信扩展为当前置信加历史一致性的双态决策，用直方图计数抵抗切段与噪声带来的偶发低置信，在相同标注预算下达到可核对的 EER 增益，并以队列维护与阈值调参为代价。记住 3 个数字的适用条件：0.91%、1.13% 与 2.13% 对应每说话人 20 条标注，接近全监督的差距为 0.04%、0.01% 与 0.01%，不能搬到 4 条标注或跨域场景。
防错清单针对本论文特有误解。不要把弱增强当作无增强，弱分支同样经过扰动，只是强度更轻；不要把历史队列当作特征缓存，它存的是类别预测而非嵌入；不要把 AAM 损失当作可有可无的技巧，图 2 显示两端是否用 AAM 决定了量级差异；不要把 t-SNE 簇更紧直接读成验证必胜，它只是辅助解释。教学例子始终是例子，真实结论以原表与原句为准，凡涉及数值、单位与聚合口径，回到数据集、基线、阶段与指标五项核对后再引用。
⚖️ 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