标签不准又只给包级标签：用校正加双流多示例拆开抑郁语音检测

英文题目：Label Correction Enhanced Dual-Stream Multiple Instance Learning for Weakly-Supervised Depression Detection in Speech

会议身份：conference:interspeech:2026:conference-paper-id:sun26e_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。

会议来源：官方记录 · 官方 PDF

标签：#语音生物标志物 #弱监督学习 #语音 #病理语音评估

评分：6.4/10 | 创新 1.1/2 | 技术严谨 1.0/1.5 | 实验充分 1.1/1.5 | 清晰度 0.6/1 | 影响力 0.7/1.5 | 开源 1.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.6/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Yanfei Sun：机构信息未能从会议 PDF 纯文本可靠映射
• Yuanyuan Zhou：机构信息未能从会议 PDF 纯文本可靠映射
• Xinzhou Xu：机构信息未能从会议 PDF 纯文本可靠映射
• Jin Qi：机构信息未能从会议 PDF 纯文本可靠映射
• Feiyi Xu：机构信息未能从会议 PDF 纯文本可靠映射
• Zhao Ren：机构信息未能从会议 PDF 纯文本可靠映射
• Bjoern Schuller：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

语音自动抑郁检测需从受访者访谈语音预测其是否抑郁，难点在于训练标签可能因量表阈值与标注噪声而标错，且抑郁线索仅藏于片段级细微段落导致监督不精确。本文提出标签校正增强双流多示例学习LC-DMIL，先以卷积双向长短时记忆样本级主干估计似然比并结合原型密度融合校正得到修正标签，再将语音切分为实例包送入多示例检测模块。在检测模块中最大规则流用实例级多层感知机筛选两类关键实例，聚合器流以关键实例为查询计算相似度加权聚合实例值向量，两流输出融合后判定样本级状态，修正标签作为下一步监督形成迭代。相比仅做标签校正的SLLC或仅做单流多示例学习的方法，该双流融合同时处理不准确监督与不精确监督，并以关键实例引导注意力聚合放大细微线索。在DAIC-WOZ评测设置下，LC-DMIL的UAR为0.651，高于SLLC的UAR 0.614，且其F1-score为0.642，高于SLLC的F1-score 0.613。结论仅在切分后的6s片段与人工交换边缘分数标签设置下成立，随机噪声实验也局限于AVEC 2014的人工翻转协议。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 代码相关资源：https://github.com/zhou123122/SLLC — 链接可访问（HTTP 200） 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

为什么语音抑郁检测容易被标签带偏？

本解读的输入是 Interspeech 2026 论文原文与 4 张官方原图像素，目标是让刚进入语音与情感计算的研究生能复述方法与实验条件。必须保留的信息包括任务定义、两类弱监督问题、两模块结构、关键超参数、数据构造方式与主结果数字，输出是按学习依赖展开的中文技术解读。

语音自动抑郁检测要从说话声音估计说话人是否处于抑郁状态。直觉上可以把整段录音丢给神经网络直接分类，但论文指出这条路在弱监督下会遇到两个具体障碍。第一个障碍是不准确标签，也就是训练样本的 0 或 1 标签本身可能是错的，因为标注依赖问卷或人工判断，边界被试最容易错。第二个障碍是不精确标签，也就是即使整段标签是对的，抑郁线索也可能只藏在很短的片段里，把整段统一标记会让模型学到大量无关背景。

初学者常误以为数据越多模型越稳，但在这里标签质量与粒度直接决定监督信号。若标签错了，模型会被迫拟合错误映射；若粒度太粗，模型会把整段平均，微妙的低能量、停顿或韵律变化就被淹没。论文的中心动作就是分两步处理，先在样本级把可能错的标签改过来，再在实例级把长样本拆开学片段证据。

同任务已有路线卡在哪里？

在同输入同目标的语音抑郁检测路线里，早期工作用浅层机器学习从语音取抑郁相关特征，后续出现卷积网络、循环网络与 Transformer 来捕捉副语言信息。论文点名的可运行对照包括用卷积循环网络的 DepAudioNet、用卷积双向长短时记忆网络的 ConvBiLSTM、用层级高效框架的 SpeechFormer、在计算副语言学特征上训练支持向量机的 ComParE，以及跨模态 Transformer 的音频部分。这些方法共同特点是信任给定标签并在整段级建模，因此在弱监督下同时暴露两个短板。

在同监督问题的弱监督学习路线里，标签校正被用来修正潜在错误标签，多示例学习被用来处理只给包标签的情况，即把每个样本看作多个实例的包。论文引用了图像与语音中的多示例工作，以及用双流多示例做全切片图像分类与用面部视频做抑郁检测的工作，说明双流思想已有先例。区别在于本文把两者串起来，前人 SLLC 只做自学习标签校正，本文的 LC-DMIL 在此基础上再加双流多示例，专门对应不准确与不精确两类标签问题。

理解这层关系很重要，不能把类别差异当成同条件胜负。例如 Transformer 在干净大数据上可能更强，但在本文构造的边界标签交换噪声下，未做校正的模型会直接吃亏。对照时要固定数据划分、切分长度与指标，否则数字不可比。

论文把弱监督拆成哪两个可操作问题？

论文把弱监督明确拆成两问。第一问是样本级标签可能不准确，原因是抑郁判断依赖 PHQ-8 等主观问卷，分数在临界区间的被试最难判定。第二问是包级标签不精确，原因是低质量长录音中抑郁特质可能只出现在细微片段，整段标签无法指出位置。

举例来说，一个 6 秒样本被标为抑郁，但真正有线索的可能只有其中 1.2 秒。若模型被要求整段都像抑郁，它会学错。若该 6 秒样本的标签本身因问卷边界而标反，模型更是错上加错。这里的例子只是帮助理解粒度，效果数值仍以论文实验为准。

因此方法必须回答两个操作问题，如何在训练中发现并改掉可疑标签，以及如何在只给包标签时定位并汇总实例证据。论文用两个模块分别回答，前者输出校正标签，后者消费校正标签。

两模块如何串成一条流水线？

从一个样本走完全程最容易看清全景。输入是一个语音样本 s，原始标签 y 为 0 表示抑郁或 1 表示非抑郁。先进入标签校正模块的样本级骨干 g1，得到整段表示，再经多层感知机分类器得到预测。校正模块同时运行似然比与原型两条支路，融合成校正标签 yd。然后把同一语音样本切成 n 个实例组成包，进入实例级骨干 g2 得到每个实例的嵌入，经双流多示例得到包预测 p。训练时样本损失用 yd 监督 g1，实例损失用 yd 作为包标签监督双流。

标签校正 × 多示例学习： 标签校正分工是先修样本级监督信号，解决不准确标签，即原始 y 可能翻转；多示例学习分工是把一个样本拆成多个实例包来学，解决不精确标签，即只知道整段有无抑郁而不知道哪 1 秒有。搭配理由是若不先校正，包标签错了则实例学习全错；若只校正不拆包，微妙片段仍会被整段平均淹没。组合意义是校正后的 yd 同时作为样本损失和实例包标签，让双流多示例在相对干净的包标签下找关键片段。

下图是论文给出的总体框图，上半为标签校正，下半为多示例检测，箭头标明了从样本损失到校正标签再到实例损失的传递方向。

看图路径： 1. 先从上半标签校正模块看样本 s 经 g1 到 MLP 再分叉到似然比与余弦相似两条支路；2. 再看两条支路如何汇合成 Corrected Label yd 并向下传给实例损失；3. 最后看下半模块中样本 s 如何被切成多个实例再经 g2 到关键实例与聚合器

论文图 1。原论文 Figure 1：“The diagrammatic overview of the proposed LC-DMIL approach, consisting of a label correction module, and an MIL-based depression detection module including a dual-stream MIL…”。

从像素看，上半左侧是频谱样例与抑郁和非抑郁原型集合，中部是标为 1D-CNN 与 Bi-LSTM 的骨干，右侧分出似然比与余弦相似两盒再汇入校正标签。下半左侧是样本被切成多个小频谱块，中部是同样的 1D-CNN 加 Bi-LSTM 结构，右侧分出实例级多层感知机与聚合器两盒再汇入实例损失。图中青色回路表示样本损失回传更新骨干，蓝色下行箭头表示校正标签向下传递。这个布局直接对应两步迭代，先训稳上半再训下半，而不是 1 次性端到端混训。

标签校正：两条支路各算什么？

标签校正模块先建样本级骨干 g1。1 维卷积层用 256 个尺寸 3 步长 1 的核捕捉局部特征，接批量归一化、线性整流激活与池化尺寸和步长均为 2 的 1 维最大池化。输出再送入双向长短时记忆网络学时序，拼接双向最后时刻输出，最后经 5 层全连接的多层感知机分类，前 4 层用线性整流激活，末层用柔性最大化输出两类概率。

似然比支路的计算目标是衡量模型对原标签的不信任度。对样本 s，定义似然比为两类预测概率按原标签加权之比，再与随训练轮数增长的阈值比较。若比值小于等于阈值则翻转标签得到 yR，否则保持不变。阈值随轮数增长的设计理由是早期模型不稳不宜大改，后期置信度提高可更大胆改，原文阈值形式为 1.2 加 0.15 乘以轮数减 10。

原型支路的计算目标是看全局几何归属。先用前 10 轮训好的 g1 提取全部训练样本深层特征，计算两两余弦相似矩阵，再对每个样本统计高于中位数的相似个数作为密度，取每类密度最高的 6 个样本构成原型集。对新样本计算其与两类原型集的平均余弦相似度，取较大者为伪标签 yP。最后用权重 γ 融合两路，得到校正标签 yd，γ 取 0.3 表示更偏向似然比但保留原型约束。

似然比校正 × 原型校正： 似然比校正分工是看当前模型输出对原标签有多不信任，用预测概率比 R 与随轮数增长的阈值比较来决定是否翻转；原型校正分工是看样本在特征空间里离哪一类高密度代表更近，用余弦相似度投票给伪标签。搭配理由是前者依赖模型自身置信度易受训练波动影响，后者依赖全局几何结构相对稳定。组合意义是用权重 γ 把 yR 和 yP 融合成 yd，γ 为 0 只信似然比，γ 为 1 只信原型，论文取 0.3 偏向似然比但保留原型约束。

双流多示例：关键片段如何被挑出又汇总？

多示例模块把校正后的样本 s 切成 n 个实例组成包，每个实例经同结构骨干 g2 得到 L 维嵌入。论文默认每样本 9 个实例，每个 1.2 秒，重叠率 0.5。嵌入同时送入两条流。

最大规则流用与样本分类器同结构的 5 层实例级多层感知机对每个实例打分，得到两行 n 列的得分矩阵，再在抑郁行与非抑郁行分别取最大值作为包级两类得分。取到最大值的实例即为该类的关键实例，其嵌入被记下供另一条流使用。这条流保留峰值证据，适合抓住短促但典型的抑郁片段。

聚合器流把每个实例嵌入变换为查询向量与值向量，查询经双曲正切激活，值经线性整流激活。再计算每个实例查询与两类关键实例查询的相似度并归一化为权重，用权重对值向量加权求和得到汇总矩阵，最后经线性映射得到聚合流的包预测。这条流保留全局上下文，避免单片段噪声主导。最终包预测是 2 流按权重 μ 的线性组合，μ 在 0.1 到 0.9 中选择。

最大规则流 × 聚合器流： 最大规则流分工是挑包里每类得分最高的实例作为关键实例，直接保留最可疑片段的证据；聚合器流分工是以关键实例为查询，用注意力权重把所有实例的值向量加权求和，保留上下文和次要线索。搭配理由是只取最大易受噪声片段误导，只做平均又会稀释微弱线索。组合意义是用权重 μ 把 p(M) 与 p(A) 线性相加得到最终包预测，既有峰值证据又有全局汇总。

两类损失何时算、梯度回哪里？

训练分阶段进行，不是同时优化所有参数。先用交叉熵做 10 轮初始训练 warm up 骨干，再从第 11 轮起做 10 轮标签校正，之后做 50 轮多示例检测，两步迭代重复 5 次。优化器用自适应矩估计，权重衰减为 0.0001，随机种子固定为 42。标签校正模块初始学习率 0.001 每 10 轮线性下降，批量 32。多示例模块初始学习率从 4 个候选中选，每 5 轮线性下降，批量 16。

样本损失在批量 m 个样本上计算，包含分类项与熵项，熵权重 α 为 0.1。分类项用校正标签 ydi 与预测概率算交叉熵，熵项鼓励预测不要过于模糊。梯度回传到 g1 与样本级多层感知机，用于更新表示与分类器，同时为原型计算提供更稳的特征。

实例损失在批量 m0 个实例上计算，形式相同但监督来自包的校正标签，即包内实例暂时共享包标签作为代理。分类项用包预测的两类元素计算，熵项同样加权。梯度回传到 g2、实例级多层感知机与聚合器参数。原文未报告是否冻结 g1 后再训 g2 的全部细节，也未给出梯度是否截断的具体说明，因此复现时应按 2 阶段独立优化理解，缺项需做消融确认，不从模型名推定冻结方式。

样本损失 × 实例损失： 样本损失分工是监督标签校正模块的整段分类器，用校正标签 ydi 计算分类交叉熵加熵正则；实例损失分工是监督多示例检测模块的包预测，用包的校正标签作为包内实例的代理标签计算同样的两项。搭配理由是两个模块骨干结构相同但输入粒度不同，需要各自的损失来驱动。组合意义是先用样本损失把 g1 训稳以产出可靠 yd，再把 yd 固定为实例损失的监督源，形成两步迭代而非端到端混训。

数据如何切分、噪声如何构造、特征如何提取？

实验用 DAIC-WOZ 的 142 段临床访谈，每人一段，按 PHQ-8 分数划分，0 到 9 为健康，大于 9 为抑郁。按 2017 年情感挑战做法，用训练集 107 段其中 31 段抑郁与有标签验证集 35 段其中 12 段抑郁来测试。按时间戳取出被试回答并切成 6 秒无重叠片段作为样本。为模拟弱监督，把训练集中 PHQ-8 分数在 7 到 12 之间的边缘样本交换标签，因为这些边缘分最可能被错误标注。切分加交换后得到训练 7742 个样本其中 2276 个抑郁，测试 2935 个样本其中 1174 个抑郁。

特征为 80 维对数梅尔谱，用 LIBROSA 提取，帧长 2048 点，帧移 533 点。1 维卷积输出尺寸为帧数乘 256，样本级帧数为 181，实例级帧数为 37。池化尺寸与步长均为 2，双向长短时记忆网络含 4 层隐层，每层 256 神经元，丢弃率 0.5。原型数每类 6 个，γ 取 0.3，μ 待搜索，实例数默认 9。

另一组随机噪声实验用 AVEC 2014 的 300 个音频文件，取 100 个训练其余测试，训练切成 3 秒段重叠 1.5 秒得 3538 个样本，测试切成 3 秒无重叠得 3696 个样本其中 1710 个抑郁，随机选七分之三训练样本翻转标签。指标用无加权平均召回率与 F1 分数，方向都是越高越好，并用单尾 z 检验报告显著性。

PHQ-8 边界分 × 弱监督构造： PHQ-8 边界分分工是指出哪些被试最可能被标错，即分数在 7 到 12 之间的边缘样本；弱监督构造分工是把这些样本的标签交换，人为模拟不准确监督，再把长访谈切成 6 秒无重叠片段。搭配理由是真实临床标签噪声不可控，用边界交换可以复现可核对的噪声条件。组合意义是训练集 7742 个样本中 2276 个抑郁的分布就是在这种构造下得到的，评测的是方法在已知噪声构造下的纠错能力而非无噪声上限。

主结果在同条件下比谁强多少？

要回答的核心问题是，在同样的 DAIC-WOZ 弱监督构造与同样的切分特征下，LC-DMIL 是否优于实际可运行的已有方法。公平条件是大家都面对训练集边缘标签交换后的噪声，指标方向都是越高越好。下表整理了原文报告的最佳无加权平均召回率与对应 F1 分数，保留原文小数精度。

下图 4 个混淆矩阵按顺序对应无校正无多示例的 ConvBiLSTM、只用多示例的 DMIL、只用校正的 SLLC 与两者都用的 LC-DMIL，行是真实非抑郁与抑郁，列是预测结果，格内为比例与数量。

看图路径： 1. 先按面板顺序确认四个混淆矩阵分别对应 ConvBiLSTM、DMIL、SLLC 与 LC-DMIL；2. 再比较每个矩阵中实际抑郁被正确预测为抑郁的比例与数量变化

论文图 2。原论文 Figure 4：“The confusion matrices for depression detection on the DAIC-WOZ dataset using (a) ConvBiLSTM, (b) DMIL, (c) SLLC, and (d) LC-DMIL approaches.”。

从像素看，最左面板非抑郁被大量判成抑郁，比例 0.622 数量 1096，说明基线敏感但特异性差。第二面板有所回调，非抑郁正确率 0.566 数量 996。第三面板非抑郁正确率升至 0.666 数量 1172，但抑郁正确率仅 0.563 数量 661。最右 LC-DMIL 在非抑郁正确率 0.628 数量 1106 下把抑郁正确率提至 0.674 数量 791，是四者中抑郁召回最高的。论文报告在 UAR 上与对照的差异达到 p 小于 0.005 的显著性。限制是这只是单次划分下的最佳值，未报告多次随机种子的方差，也未测量延迟与误判成本，不能把识别率提升直接等同于临床可用。

拿掉校正或换掉双流会发生什么？

第一个反证问题是，多示例是否在校正基础上带来增量。比较条件是固定 γ，只切换是否加多示例。下表保留原文 γ 取 0.3 与 0.7 时的对照，括号内为相对 SLLC 的提升。

第二个反证问题是，双流是否优于单流与其他聚合方式。原文在同样校正下比较了均值规则 0.626 与 0.622、加权规则 0.631 与 0.633、基于 Transformer 0.637 与 0.631、基于注意力 0.633 与 0.625，而双流达到 0.651 与 0.642，单最大规则流 0.632 与 0.614、单聚合器流 0.636 与 0.633 也低于双流。这支持 2 流融合的增益，但也显示聚合器单流已接近双流，最大流单用较弱。

权重 μ 与实例数的敏感性需要看两张参数图。先看 μ 扫描图，横轴为 0.1 到 0.9，虚线为 SLLC 基线。

看图路径： 1. 先确认横轴是权重 μ 从 0.1 到 0.9，纵轴左侧为 UAR 右侧为 F1-Score；2. 再比较红色 LC-DMIL 与蓝色均值加聚合变体在 μ 等于 0.5 附近的峰值差异

论文图 3。原论文 Figure 2：“The (a) UAR and (b) F1-score results when setting μ to different values in the MIL-based depression detection mod- ule on the DAIC-WOZ dataset, with different stream settings.”。

从像素看，左图 UAR 中红色双流在 μ 等于 0.5 附近达到峰值约 0.65，高于蓝色均值变体与虚线基线。右图 F1 中红色同样在 0.5 到 0.6 处最高，蓝色在 0.3 处有 1 次冲高但不稳。这说明 μ 选择影响峰值位置，双流对 μ 的依赖大于单均值变体，不能默认 μ 等于 0.5 在所有数据上最优。

再看实例数对比图，比较 n 等于 9 与 19 在 μ 为 0.2、0.5、0.8 下的表现。

看图路径： 1. 先看每组 μ 下红色 n 等于 9 与蓝色 n 等于 19 两根柱子的高低；2. 再看红色虚线标出的最高 UAR 与 F1 位置是否都落在 μ 等于 0.5 且 n 等于 9 处

论文图 4。原论文 Figure 3：“The (a) UARs and (b) F1-scores when setting μ to 0.2, 0.5, and 0.8 in the depression detection module on the DAIC- WOZ dataset, setting the instance number n to 9 and 19.”。

从像素看，左图 UAR 中红色 n 等于 9 在 μ 等于 0.5 时标出 0.651 明显高于蓝色 n 等于 19 的 0.638，右图 F1 同样红色 0.642 高于蓝色 0.637。增大实例数并未持续带来提升，在 μ 等于 0.2 时蓝色反而在 F1 上更高。这支持默认 9 个实例的选择，但也表明切分粒度与重叠率需要按数据重调，未评测更密集切分的计算代价边界。

哪些边界没有测、哪些结论不能推？

论文直接报告的是在 DAIC-WOZ 边缘交换与 AVEC 2014 随机翻转两种噪声构造下的 UAR 与 F1 提升，其中跨数据集对照显示 LC-DMIL 在 AVEC 上达到 0.670 与 0.668，高于单校正与单多示例变体。这些是报告层面的事实。

有限解释是混淆矩阵显示抑郁敏感性提升，这支持方法更能抓住片段级线索，但相关性不等于因果，不能断定每个被试的提升都来自标签校正还是多示例，需要按样本做误差归因才可验证。

未验证的推测必须标明。原文未测量误判率的临床代价、推理延迟、模型参数量与训练时长，因此不能承诺部署更快或更省。总体趋势不等于每组都成立，例如 μ 等于 0.8 时双流优势缩小，实例数 19 时反而下降。原文表头与正文对标签 0 与 1 的文字描述存在抑郁与非抑郁的对应笔误风险，复现时应以公式与代码中的实际映射为准，并在日志中打印标签含义以避免反转。缺失证据不是技术错误，但复现前必须补上多次种子方差与阈值敏感性验证。

要复现先做什么、代码当前能拿到什么？

复现的第一步是还原数据构造，而不是直接跑模型。按论文用时间戳取出被试回答，切成 6 秒无重叠片段，80 维对数梅尔谱帧长 2048 帧移 533，再对训练集中 PHQ-8 分数 7 到 12 的样本交换标签，核对训练 7742 个其中抑郁 2276 个、测试 2935 个其中抑郁 1174 个的数量是否对齐。若数量对不上，后续数字不可比。

第二步是按 2 阶段跑通流水线。先训 10 轮初始骨干，再做 10 轮标签校正，阈值按 1.2 加 0.15 乘轮数减 10 增长，原型每类取 6 个，γ 设 0.3，α 设 0.1。然后切 9 个 1.2 秒重叠 0.5 的实例，搜索 μ 从 0.1 到 0.9，学习率从 4 个候选中选。实例损失的代理标签直接用包校正标签，不要引入额外的实例标注。

代码可用性方面，资源状态显示代码链接当前可用，已公开，地址为 github 上的 SLLC 仓库，可用于核对切分、特征与标签交换逻辑。但要区分代码开源不等于权重可下载与系统可一键运行，复现时需确认仓库是否包含双流多示例部分与固定种子 42 的脚本，并记录硬件与 LIBROSA 版本。若仓库只有 SLLC 部分，则多示例部分需按论文结构补写，不把缺失部分当成已验证实现。

何时值得尝试这种组合？

当你的语音任务同时满足 2 个条件时值得尝试，一是标签来自问卷或众包且边界样本可疑，二是目标事件只占长录音的一小部分。此时先做样本级校正再做包级多示例，比单做一端更对症。反之若标签干净且事件贯穿全程，双流多示例的额外复杂度可能不划算。

动手时先用单校正基线与单聚合器基线分别测出下限，再加双流看增量，同时扫描 γ 与 μ 并画出类似论文的参数曲线，不要只报最优点。还需补的验证包括多次随机种子下的均值方差、不同切分长度下的稳定性，以及在随机翻转噪声下的表现是否与边缘交换一致。只有这些补齐后，才能判断提升来自机制而非特定划分与特定阈值。

⚖️ 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 interspeech-2026 论文汇总