英文题目：Beyond Uncertainty and Diversity: Temporal-Spectral Guided Active Learning for Audio
会议身份：
conference:interspeech:2026:conference-paper-id:geng26c_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：#时频分析 #低资源 #环境声 #音频分类
评分：5.8/10 | 创新 1.2/2 | 技术严谨 0.9/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.9/1.5
排名：前50% | 文档类型：方法研究
👥 作者与机构
- Hui Geng：机构信息未能从会议 PDF 纯文本可靠映射
- Tianjiao Wan：机构信息未能从会议 PDF 纯文本可靠映射
- Yi Su：机构信息未能从会议 PDF 纯文本可靠映射
- Qisheng Xu：机构信息未能从会议 PDF 纯文本可靠映射
- Hengzhu Liu：机构信息未能从会议 PDF 纯文本可靠映射
- Kele Xu：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
音频分类需从海量无标注波形中挑选少量值得标注的样本，难点在于瞬态事件与谐波连续性等时频结构难以显式定义而通用不确定性准则将其视为静态向量。时频主动学习（Temporal-Spectral Active Learning，TSAL）先在已标注集上微调自监督音频频谱Transformer（Self-Supervised Audio Spectrogram Transformer，SSAST）并建模软损失分布以筛选高损失锚点，该输出刻画难学模式。接着为锚点与无标注样本分别提取特征嵌入与伪标签梯度并计算特征梯度相似度，该得分实现按结构对齐排序。然后取最高分批次查询标注并回流到标注集进入下一轮微调循环。与基于置信度与几何覆盖的方法不同，TSAL以优化轨迹相似替代预测统计量，从而显式偏好共享难学时频模式的样本。在ESC-50基准下，TSAL的准确率为82.65%，高于随机采样基线的准确率79.90%。该结论限于闭集分类与中等预算循环微调，未验证开放集检测与跨域迁移下的失效行为。原文未披露训练、推理或部署成本。
🔗 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
输入是什么，目标是什么，为什么标注是瓶颈？
本文输入是音频分类任务。论文覆盖 4 个基准：ESC-50 是 2000 条 5 秒环境录音共 50 类的单标签任务，TUT Acoustic Scenes 2016 即 DCASE2016 是声场景分类，AudioSet-20k 是 527 类的多标签大规模任务，UrbanSound8K 是存在类别不平衡的城市声音分类。目标是在标注预算受限时，用主动学习从大的无标注池中挑出最值得标注的一小批样本，使监督微调后的模型性能尽量高。先说白话：监督微调就是拿已标注音频的语谱图去微调一个预训练音频模型，让它学会分类；主动学习就是每一轮先训练，再挑下一批去找人标注，再训练，如此循环。
论文强调的矛盾是音频标注特别费人力，复杂音频需要反复听辨，而通用主动学习只看预测不确定性或几何多样性，把音频当成静态向量，没有利用随时间变化的频谱结构，例如瞬态事件、谐波连续和频率调制。于是直接套用通用方法会出现选样与音频难度错位的问题。为建立直观，先看已有框架的循环结构，下段导读后给出原文图示。
已有主动学习循环把模型训练和样本选择绑在一起，理解这个闭环是理解后文为何要改选择策略的前提，重点看标注预算如何从预测回到训练。
看图路径： 1. 先从左上已标注池的语谱图沿箭头看到主干网络再到无标注池；2. 再看右下无标注预测经红色策略分支如何回到左下预算并经标注者回到已标注池；3. 确认整个闭环中选择策略是唯一决定标注预算用在哪里的环节
论文图 1。原论文 Figure 1：“Illustration of the existing AL framework for audio.”。
该图显示的闭环是左上已标注池进入主干网络，模型对右端无标注池产生预测，预测经过中间红色策略选出左下预算子集，再经标注者送回已标注池。像素可见左右两侧均为绿色语谱图堆叠，中间是全连接示意的主干网络，右侧是圆柱形无标注池，下方是两排黄色与浅蓝色小方块表示的无标注预测。这个结构说明性能高低不只取决于模型本身，更取决于策略把有限预算花在哪些语谱图上。
原文因此提出不再用通用不确定性做策略，而是让选择过程对齐音频的时频特性。本文没有公开代码与数据的可用声明，复现只能依据正文的文字协议，后文实验条件节会逐项列出可核对的设置。
同任务的已有路线分哪两类，各自缺什么？
按同输入、同目标、同监督来对照，音频分类主动学习已有路线可分为两类。第一类是基于多样性的方法，白话就是尽量覆盖数据分布，例如核心集采样通过最小化覆盖半径选出有代表性的样本。第二类是基于不确定性的方法，白话就是挑模型最拿不准的样本，例如最小置信度、熵、间隔采样，以及鸟声分类中的稀疏实例与最小置信度策略、基于池的帧级交替置信采样。
近期还有用长短时记忆模型分歧做不确定性估计，以及用模型参数与预测互信息的 BALD，还有同时看梯度大小和方向的 BADGE。论文还把 CLS-AL 作为音频任务的代表性对照之一。这些方法在计算机视觉和自然语言处理中有效，但在音频中都把样本的信息量归因于通用统计量，没有显式建模时频结构复杂度。
教学例子：比如一段包含短促撞击声加背景噪声的录音，通用熵方法可能只看到预测分布平坦就选中它，也可能因为背景噪声多样而选中一段其实模型已学会的平稳噪声，两种情况都不能保证选中的是时频结构难的样本。论文的判断是这种错位导致选样效率不高，因此要把选择依据从通用启发式转到音频结构引导。需要区分的是，论文报告了 TSAL 在多个基准上超过这些基线，这是直接报告的结果。
而认为原因是利用了时频结构，则是结合消融给出的有限解释，不能直接当成因果证明。
要解决的选择问题如何形式化？
设已标注集为 DL，包含 N 个带标签样本，无标注集为 DU，包含 M 个无标签样本。每一轮主动学习要从 DU 中选出子集 B 去标注，然后把 B 并入 DL，再微调模型，直到预算用完。模型实例化为自监督音频语谱图 Transformer 即 SSAST。每一轮先在当前 DL 上用标准交叉熵微调。沿一个样本走一遍有助于建立依赖：取一条无标注音频，先算语谱图并送入 SSAST 得到特征嵌入，再由当前分类头得到预测 logits，若它是已标注样本，则可直接算交叉熵损失并参与软损失分布统计。
若它是无标注样本，则需要先把 logits 转成伪标签，再算损失并反传得到梯度表示，最后把它的特征与梯度表示和已标注锚点的表示比相似度，得分高的被选中。这个流程把选择问题转化为如何定义好的锚点和好的相似度。原文假设是产生特定损失分布的样本封装了难学的时频结构，这是一个待验证的假设，不是已证明的性质。后文组件节将分别讲锚点如何来、相似度如何算。
TSAL 的全景是先刻画再匹配吗？
TSAL 的全称是时频主动学习，白话就是用时频结构引导选样。它的总原则被概括为刻画后匹配。第一步是刻画：在已标注集上建模软损失分布，找出高损失的信息锚点，认为它们携带了值得学习的时频模式。第二步是匹配：对每个无标注样本计算特征加梯度相似度，找出与锚点优化轨迹相近的样本优先标注。之所以不直接从语谱图手写规则抽取瞬态或谐波，是因为原文明确指出这类复杂模式难以定义和直接抽取，所以改用模型的优化行为做代理。下面导读对应框架总览图，重点是数据、模型、分布、相似度、预算五者的先后关系。
该总览图把一轮迭代画成从左到右再回流的过程，左侧是已标注与无标注输入，中间是软损失分布与选择，右侧是相似度与预算输出，读图时先定主路径再看分支如何汇合。
看图路径： 1. 先看左侧 DL 和 DU 如何同时进入 Backbone 再产生软损失分布图；2. 再看中间方框内平均损失虚线如何切出红色框标出的 LH；3. 最后看右侧上方锚点的嵌入与梯度符号如何与下方无标注样本在 Similarity 处汇合再指向 Budget
论文图 2。原论文 Figure 2：“Overview of TSAL framework. In each iteration, the model is finetuned on labeled data, and then the temporal-spectral informative patterns are identified based on soft-loss…”。
像素可见最左侧绿色语谱图堆叠标注为 DL，下方圆柱标注为 DU，两路箭头进入中间全连接示意的 Backbone，主干向右进入浅蓝色大框，框内上方是从 DL 经软选择指向红色框 LH 的横箭头，下方是带平均损失虚线的软损失分布曲线，再向右是上方锚点与下方无标注样本的嵌入方块与梯度三角符号，中间经相似度方框向右指向绿色预算语谱图，最下方还有一条从主干回到无标注表示的回流箭头。该图说明每一轮都要先微调再统计损失再算相似度，顺序不能颠倒。
算法流程与该图一致：微调模型、按软选择策略识别模式、抽取 LH 的特征与梯度、对每个无标注样本抽特征并估计伪标签梯度、算选择分、取前 B 个查询标注、更新已标注与无标注集合。原文默认超参数中梯度项权重取 1.0，含义是特征与梯度同等重要，后文敏感性部分会核对稳定性。
锚点与相似度分别如何计算？
先讲锚点。在第 T 轮迭代，对每个已标注样本计算软损失，统计全集的平均软损失作为阈值，高于或等于均值的样本保留其归一化损失，低于均值的样本得分置零，这就是软选择策略。被保留的高损失候选构成 LH。白话是先看大家平均错得多厉害，只留下比平均更难的样本当模板。原文没有给出归一化的具体分母与数值稳定细节，这是复现缺项，只能按高于均值保留来执行，不能自行脑补归一化公式。
再讲表示。对 LH 中每个已标注样本抽取特征嵌入与梯度向量，组成二元组；对无标注样本同样抽取 SSAST 特征嵌入，再把预测 logits 转成伪标签，相对伪标签算损失并对输入反传得到估计梯度，也组成二元组。需要明确的是伪标签来自当前模型预测，不是人工标签，因此梯度是估计值，受模型偏差影响。最后讲打分。
对无标注样本与 LH 中每个锚点分别算特征余弦加梯度余弦的加权和，权重系数控制梯度项相对重要性，取对所有锚点的最大值作为该样本的选择分，选分最高的前 B 个去标注。白话是只要与某一个难模板足够像，就值得标注，而不是要求与所有模板平均相似。
软损失分布 × 时频信息模式： 软损失分布负责把已标注样本按本轮交叉熵损失的高低排成可操作的代理信号，时频信息模式负责指代瞬态事件和谐波连续等难学结构，二者搭配的理由是时频结构无法手写规则直接抽取，只能用高损失样本来隐式定位，组合后软损失筛选出的高损失候选集 LH 就成为后续匹配的模式锚点。
特征相似度 × 梯度相似度： 特征相似度负责衡量语义内容是否相近，用 SSAST 抽取的嵌入余弦实现，梯度相似度负责衡量优化轨迹是否一致，用相对伪标签反传得到的梯度余弦实现，搭配的原因是只看特征会选到语义像但已学会的简单样本，只看梯度又容易受伪标签噪声影响，组合成加权和后才能同时保证语义一致和学习难度一致。
主动学习 × 监督微调： 监督微调负责在当前已标注集上用交叉熵更新 SSAST 参数，主动学习负责在预算受限下决定下一批标注哪 B 个无标注样本，二者搭配形成循环反馈，每轮微调后的模型状态决定软损失和梯度表示，而新标注样本又改变下一轮微调起点，组合意义是用更少标注达到接近全量微调的分类性能。
软选择策略 × 高损失候选集： 软选择策略负责按平均软损失划分阈值并保留归一化损失，高损失候选集负责承载被选中的难样本集合，前者是规则，后者是结果，搭配理由是避免固定取 Top-K 带来的硬截断敏感性，用高于均值即保留的方式自适应得到模式锚点，组合后只有真正难学的已标注样本才参与对无标注池的引导。
把一个无标注样本走完：语谱图进入 SSAST 得到嵌入，分类头给出伪标签，反传得到梯度，与 LH 中各锚点的嵌入和梯度算加权余弦，取最大值得分，排名靠前则进入查询集，获得人工标签后并入 DL 参与下一轮交叉熵微调。原文未报告梯度是相对哪一层参数、伪标签是否加阈值过滤、相似度是否归一化到单位长度之外的细节，这些缺项在复现时必须如实记录为未报告，不能从模型名称推定实现。
模型如何训练，哪些参数在动，监督从哪里来？
训练过程是每轮在当前已标注集上用交叉熵做监督微调，模型是 SSAST。原文给出的可执行条件是 AudioSet-20k 初始学习率 5 乘 10 的负 5 次方，ESC-50 初始学习率 1 乘 10 的负 4 次方，DCASE2016 与 UrbanSound8K 沿用与 ESC-50 相同的配置。AudioSet-20k 微调 25 轮、批量 12，ESC-50 微调 50 轮、批量 32，DCASE2016 批量 16，UrbanSound8K 批量 32。主动学习循环从 10% 随机初始标注池开始，每轮查询占总无标注样本 5% 的量，标注后并入已标注集继续微调，直到用满 40% 预算。监督来源在训练阶段是人工标签，在选择阶段对无标注样本是模型自身预测转成的伪标签，二者要严格区分。
原文未报告优化器类型、学习率衰减、权重衰减、早停、是否冻结主干某些层、伪标签梯度相对哪层参数计算，这些属于具体缺项。梯度路径只能按原文文字理解为相对输入经反传得到表示，不能猜是末层梯度或全参数梯度。重置时机方面，原文表述为为下一轮主动学习迭代继续微调模型，没有说明是从上一轮 checkpoint 继续还是每轮从预训练权重重新开始，因此复现时应把该点记为未明确，两种做法都需在实验记录中注明。
每次实验重复 3 次或采用折交叉验证，这是原文明确的鲁棒性安排。
在哪些数据与对照上测，条件是否一致？
测什么：测在有限标注预算下不同选择策略带来的分类性能，ESC-50 与 UrbanSound8K、DCASE2016 看准确率，AudioSet-20k 看平均精度均值。与谁比：可运行的对照包括随机采样，以及 softmax 置信度、间隔、熵、核心集、BALD 和 CLS-AL。条件是否一致：原文称遵循先前工作在各数据集采用一致训练设置，初始池 10% 随机，每轮加 5%，直到 40%，重复 3 次或折交叉验证。指标方向都是越高越好，但准确率与多标签平均精度不能混为一列比较，数值相同也不是同一指标的证据。
数据划分上 ESC-50 为环境录音基准，AudioSet-20k 为大规模多标签，UrbanSound8K 明确存在类别不平衡并采用 10 折交叉验证，DCASE2016 为声场景。硬件与耗时、推理延迟、标注成本原文未报告，因此不能承诺方法节省了计算开销，只能说在相同标注比例下性能更高。百分点与相对百分比不同，后文表格中的领先幅度按论文文字保留为百分点差值，不换算成相对提升。需要提醒的误解是预算百分比指占总无标注样本的比例，不是占全数据集的绝对时长，跨数据集比较 40% 时绝对标注量并不相同。
主结果在相同预算下领先多少，有无反例？
比较问题是在 10% 到 40% 标注预算曲线上，TSAL 相对随机与其他主动学习策略是否有稳定领先，公平条件是同模型、同训练轮数批量与初始池协议，指标方向越高越好。下表整理论文文字直接报告的 40% 预算关键数字，单位保留原文百分比写法，领先幅度为论文原话的差值表述。
表前比较问题已如上所述，公平条件与指标方向见上段，下面表格只收录原文连续句子中逐字出现的数字，不补算新差值。
| 数据集 | 指标 | RANDOM 基线 | TSAL 在 40% 预算 | 论文报告的领先关系 |
|---|---|---|---|---|
| ESC-50 | 准确率 | 79.90% | 82.65% | 高 2.75% |
| AudioSet-20K | 平均精度均值 | 19.89% | 22.08% | 高于 RANDOM |
| UrbanSound8K | 准确率 | 未在同句报告 | 82.54% | 超过基线 |
| DCASE2016 | 准确率 | 未在同句报告 | 79.23% | 超过基线 |
表后解释：该表显示 TSAL 在平衡的 ESC-50 上从随机基线提升到 82.65%，在大规模多标签 AudioSet-20K 上用 40% 预算达到 22.08%，在类别不平衡的 UrbanSound8K 与噪声环境敏感的 DCASE2016 上分别达到 82.54% 与 79.23%，论文称始终超过基线。代价是每轮要为无标注池计算伪标签梯度与两两相似度，原文未计量这部分开销。未胜出项方面，像素曲线显示在 10% 初始点 TSAL 并不总是最高，DCASE2016 最左端红色点低于部分基线，说明总体趋势不等于每一步都成立。阅读曲线时不能把纵轴下降直接当性能变差，因为横轴是预算增加，正常应上升，低预算段的交叉更多反映初始随机性。下面导读对应性能曲线图。
3 张子图分别对应 ESC-50、AudioSet-20K 与 DCASE2016，横轴都是已标注比例，纵轴是性能百分比，重点看红色 TSAL 与其他 6 条基线加随机的相对位置随预算的变化。
看图路径： 1. 先确认三块子图横轴都是已标注比例从 10% 到 40%，纵轴是性能百分比；2. 再对照图例找到红色 TSAL 曲线在每块子图中的相对位置；3. 重点比较 15% 到 25% 中段 TSAL 与其他曲线拉开的距离与 40% 处是否仍然领先
论文图 3。原论文 Figure 3：“Performance (%) of different AL approaches on multiple benchmark datasets.”。
像素可见每块子图横轴从 10% 到 40%，纵轴 ESC-50 约 40 到 80 以上，AudioSet-20K 约 5 到 25，DCASE2016 约 45 到 85，图例包含 MARGIN、CONF、ENTROPY、CORESET、BALD、CLS-AL、RANDOM 与红色 TSAL。ESC-50 中 TSAL 从 20% 起持续在最上方，AudioSet-20K 中 TSAL 全程明显高于收敛在一起的其他曲线，DCASE2016 中 TSAL 从 15% 后拉开差距但其他曲线在 30% 后仍有交织。该图支持论文所称即使在 30% 以下极低预算仍保持领先的判断，但限制是图上像素不能精确读出每步数值，精确值以正文 40% 处报告为准，且 UrbanSound8K 曲线未在此图中出现，不能用此图推断该数据集的全程形态。
拿掉哪一块会掉多少，超参数敏感吗？
消融问题是软选择策略、特征相似度、梯度相似度三者是否都必要，条件是同数据集同预算，只改组件开关。下表用原文连续句子中的数字整理，保留百分比写法，不自行补算矩阵中未被句子覆盖的中间值。
该消融比较的问题是各组件的增量贡献，公平条件是其余流程不变，指标越高越好，下表数字全部来自原文连续原句。
| 消融设置 | ESC-50 报告 | DCASE2016 报告 | UrbanSound8K 报告 | 论文给出的变化 |
|---|---|---|---|---|
| 完整 TSAL | 82.65% | 79.74% | 82.54% | 作为满配参照 |
| 去掉软选择策略 | 低于完整约 3.3% | 未在同句报告 | 未在同句报告 | 随机选锚点导致下降 |
表后解释：去掉软选择后在 ESC-50 上下降 3.3%，说明不是所有已标注样本都适合当锚点，高于均值筛选确有作用；DCASE2016 上去掉特征相似度从 79.74% 掉到 75.30%，说明语义一致性在场景分类中关键；UrbanSound8K 上去掉梯度后从 82.54% 掉到 81.35%，说明优化轨迹对齐在不平衡数据上有补充作用。论文因此称三者有协同效应。未评测边界是原文未给出三者同时去掉或只留单项的随机方差，也未报告 AudioSet-20K 上的消融数值，不能把 ESC-50 的结论直接推广到多标签任务。
参数敏感性方面，原文在 ESC-50 上扫描权重系数，称在宽范围取值下性能稳定，默认取 1.0 表示特征与梯度同等重要。下面导读对应原文的敏感性或曲线复用图。
该图用于核对方法对梯度权重的稳定性与消融后是否仍领先，读图时先确认横轴是否为超参数或预算，纵轴是否为性能，再看曲线波动幅度。
看图路径： 1. 先确认该图复用与主结果相同的三数据集曲线布局与图例含义；2. 再观察红色 TSAL 曲线在低预算段是否同样先与其他方法接近再拉开；3. 结合正文敏感性分析思路，判断曲线形态是否支持方法对超参数不脆弱的结论
论文图 4。原论文 Figure 4：“Sensitivity analysis of TSAL on the ESC-50 dataset.”。
本次收到的第四张图像素实际复用了与主结果相同的 3 数据集预算曲线，而非独立的单参数折线，因此只能按可见内容解释为 TSAL 在多预算点保持领先的重复证据，不能从中读出不同取值下的具体性能数值。论文文字称模型在宽谱取值下表现稳定且取 1.0 最优，这属于文字报告，图像像素本身没有提供可辨认的横轴取值为 0.1 到 5 的刻度，故不把该最优取值的数值归因于图像。该局限说明敏感性结论主要依赖文字，有待验证更完整的超参数扫描与方差带。
哪些结论有边界，什么还没有测？
先区分 3 类表述。直接报告的是 40% 预算下的性能数字与消融中的下降幅度；有限解释的是用软损失代理时频结构以及用特征加梯度对齐优化轨迹的机制说明，消融支持但不能证明因果；待验证的是把该结构机制推广到音频语言跨模态任务的设想，原文仅在未来工作提及，没有实验。未测量项包括误判率分解、选择耗时、微调总时长、推理延迟与实际标注人力成本，原文未报告训练资源与硬件预算，因此不能承诺减少了计算开销或端到端延迟。
适用边界是实验只覆盖音频分类 4 个基准，没有覆盖声音事件检测、语音识别等时序更强的任务，也没有测试极端噪声或长尾之外的分布偏移。初始 10% 随机池带来的方差、伪标签在早期轮次不准导致的梯度噪声、平均损失阈值在类别不平衡下是否偏向大类，这些在原文都没有分解分析。相关性不等于因果，高损失样本更难这一先验在分类中常用，但在多标签 AudioSet 上高损失可能来自标注稀疏而非时频复杂，这一点需要补做按类别与按损失来源的分层验证才能确认。
要复现应先做什么，缺哪些信息？
复现先做三件事。第一，按 10% 随机初始、每轮加 5% 直到 40% 的协议搭循环，用 SSAST 做主干，ESC-50 批量 32 训练 50 轮、初始学习率 1 乘 10 的负 4 次方，AudioSet-20k 批量 12 训练 25 轮、初始学习率 5 乘 10 的负 5 次方，DCASE2016 批量 16 沿用 ESC-50 学习率，UrbanSound8K 批量 32 并做 10 折交叉验证，其余重复 3 次取稳健结果。第二，实现软选择：统计本轮已标注集软损失均值，保留高于均值样本为 LH 并记录归一化方式，原文未给归一化分母，需在日志中明确自己的实现。
第三，实现匹配：对 LH 存嵌入与梯度，对无标注池用当前预测 logits 转伪标签算损失反传得梯度，算特征余弦加权重梯度余弦的最大值排序，权重默认取 1.0。关键超参数与信息条件是初始随机种子、伪标签是否过滤低置信、梯度取自哪层、相似度是否做长度归一化、每轮是继续微调还是从头微调，原文对后四者未明确，复现时必须固定一种并报告。资源状态方面，本次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，当前只能按文字协议自行实现。
还需补的验证是记录每轮选择耗时与显存占用，以及在 DCASE 与 UrbanSound 上补全方差，才能判断收益是否覆盖额外计算代价。
何时值得尝试，如何一句话记住它？
当音频分类标注预算只够标两到 40% 数据，且怀疑难样本集中在瞬态、谐波或调制等时频结构上时，值得尝试 TSAL 这类先刻画难模板再匹配相似无标注样本的思路。它的可操作记忆是先用高于平均损失挑出难锚点，再用特征像加优化轨迹像来选样，而不是只看模型有多不确定。论文在 ESC-50、AudioSet-20k、DCASE2016 与 UrbanSound8K 上报告了 40% 预算下的领先，消融支持软选择、特征项、梯度项各自必要，低预算段优势更明显，但 10% 起点并非每数据集都最高，且额外梯度与排序开销未计量。
常见误解有三：一是把高损失等同于时频复杂，实际上高损失只是代理信号，也可能来自标注噪声；二是把特征相似等同于语义重复，实际上它与梯度项配合才表示难得相似；三是把平均精度与准确率直接对比，实际上多标签与单标签指标不可混用。下一步若要用于自己的音频任务，建议先在小预算下做一轮软损失直方图与伪标签准确率检查，确认难样本确实可分，再决定是否引入梯度项权重调优。
⚖️ 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