长时噪声下抓瞬时与看全局：表格统计与注意力多实例如何分工检出两类声带过度功能

英文题目：Attention-Based Multiple Instance Learning with Tabular Stacking for Ambulatory Detection of PVH and NPVH

会议身份：conference:interspeech:2026:conference-paper-id:yerpude26_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：#注意力机制 #模型集成 #弱监督学习 #生理信号 #病理语音评估

评分：6.2/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 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 1.0/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Kiran Yerpude：机构信息未能从会议 PDF 纯文本可靠映射
• Seung Gyu Jeong：机构信息未能从会议 PDF 纯文本可靠映射
• Seong-Eun Kim：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文处理基于颈表加速度计（Neck-surface Accelerometer，ACC）多日动态嗓音监测，输入为50 ms帧级声学与逆滤波特征，输出为受试者级音创性嗓音亢进（Phonotraumatic Vocal Hyperfunction，PVH）与非音创性嗓音亢进（Non-phonotraumatic Vocal Hyperfunction，NPVH）二分类概率，难点在于标签仅在受试者级而信息片段稀疏且含缺失和佩戴噪声。方法链分为四步：帧级过滤与缺失编码先筛选浊音非歌唱佩戴段并去离群，表格分支（Tabular Branch）在日级分布统计上用CatBoost建模长期行为，深分支将固定窗编码后经门控注意力池化为受试者表示，最后逻辑回归堆叠（Stacking）融合两分支概率及其一致性特征。与既往手工汇总加浅模型相比，该设计用日级分布刻画持续低效、用注意力定位短时高强度事件，形成病理机制对齐的多尺度建模。在NeckVibe Challenge 2026官方测试中，堆叠系统在PVH上达到AUC 0.891位列第3，在NPVH上达到AUC 0.861位列第1。其结论仅在该挑战赛数据划分与受试者内聚合条件下成立，对跨设备跨人群与NPVH低校准段的外推尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

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

日常嗓音监测为什么难？先分清两种过度功能

这篇解读的输入是 NeckVibe 挑战 2026 的周级颈表加速度帧特征与受试者级标签，目标是让研究生能复述从 50 毫秒帧过滤到受试者概率的完整链路，必须保留的关键信息包括任务定义、数据规模、2 分支分工、堆叠输入与评估口径，输出是一套可核对的动作清单而非效果断言。临床上嗓音过度功能被描述为喉肌过度或低效使用，论文把研究对象切成两类，一类是伴随声带病变的音创性类型，另一类是无组织损伤的功能失调类型，前者与小结或息肉等结构病变绑定，后者表现为持续的功能性紧张与低效。

初学者先建立白话图像：把声带想成日常开合的两扇门，正常开关干净利落，音创性过度功能好比门边磨出了茧子，开关时会有短促的磕碰，而非音创性过度功能好比合页一直拧得过紧，没有长茧但天天费力。英文名在此固定为音创性嗓音过度功能即 phonotraumatic vocal hyperfunction，缩写 PVH，非音创性嗓音过度功能即 non-phonotraumatic vocal hyperfunction，缩写 NPVH，后文只用这两个缩写。比喻只用于记住时间尺度差异，真正的判据仍是原文的病变有无与日常嗓音行为分布，门与合页的想象不能当作生理证明。

音创性嗓音过度功能 × 非音创性嗓音过度功能： 音创性嗓音过度功能指伴随声带小结或息肉等组织病变的过度用嗓，分工上对应短时高强度摩擦与撞击事件；非音创性嗓音过度功能指无组织病变的功能性失调，分工上对应弥散在多天的持续低效发声；二者搭配的原因是同一颈表加速度信号中既有局部爆发又有全局分布偏移，组合意义在于后文表格分支负责全局分布、深度分支负责局部事件，分别对应两种病理的时间尺度。

下面这段导读帮你带着问题看第一张解剖示意图，它把正常、PVH、NPVH 并排放在同一俯视角下，目的是让你在进入信号处理前先锚定两类任务的视觉差异，重点不是记住颜色而是记住病变位置与标注逻辑，读完图再回来看日常监测为何需要双尺度建模就会更顺。

看图路径： 1. 先从左到右读三幅声带俯视示意：正常、无结构病变伴功能紧张、有结构病变；2. 再对照每幅下方标注：无结构病变、结构病变如小结、无结构病变但功能紧张；3. 最后把中间病变结节位置与两侧声带边缘对齐，理解 PVH 为何更易产生短时撞击事件

论文图 1。原论文 Figure 1：“Schematic comparison of normal vocal folds, phono- traumatic vocal hyperfunction (PVH), and non-phonotraumatic vocal hyperfunction (NPVH).”。

图中左侧为正常声带，标注无结构病变，声带边缘光滑闭合对称；中间为 PVH，可见双侧声带中部各有一个隆起样病变，下方标注结构病变如小结，这对应论文所说的组织损伤与短时高强度事件的来源；右侧为 NPVH，外观上同样无结构病变，但下方标注功能紧张，提示问题在持续用力模式而非可见结节。这个对照直接支撑后文设计：既然 PVH 有局部可定位的爆发，模型就需要能在 12 秒窗口里挑片段，而 NPVH 弥散在多天，就需要日级分布统计来刻画整体偏移，单看一小段录音容易漏掉后者。

前人用颈表信号做了什么？本研究接在哪一步

在实验室录音之外做日常监测的动机是，实验室只能捕捉有限的发声行为，不能反映真实世界的用嗓负荷，而颈表加速度计体积小、可多天佩戴，且不记录可懂言语，因此在隐私保护下仍能估计基频、声压级、倒谱峰突出度、频谱倾斜、高低频能量比以及基于阻抗逆滤波的声门参数。前人路线多为手工汇总特征加浅层分类器，例如在基频与声压级分布上训练支持向量机，或在逆滤波声门气流上训练稀疏逻辑回归，标签都只到受试者级，而录音会被切成很多短段，哪些段真正信息丰富在弱监督下很难指认。

颈表加速度计 × 声门逆滤波： 颈表加速度计负责在日常多天连续采集不含可懂言语的颈表振动，保护隐私并支撑长期监测；声门逆滤波负责从颈表振动反推声门气流等发声参数，提供基频、声压级、倒谱峰突出度之外的生理可解释通道；二者搭配的原因是单纯声学包络不足以区分代偿性紧张，组合意义在于把隐私友好的振动采集与生理发声估计接到同一 50 毫秒帧特征上，供后续日统计与窗口建模共用。

论文把自己的位置放在两股进展的交汇处，一是弱监督与基于注意力的时序学习，二是 NeckVibe 挑战提供的周级颈表加速度记录与受试者级 PVH 与 NPVH 标签。作者没有声称推翻前人，而是指出前人多用全局汇总加浅模型，难以同时处理瞬时爆发与长期漂移，因此提出多尺度组合：全局分布建模加局部事件检测。理解这一点能避免误把本研究当成纯深度模型，它的一半工作量仍在帧过滤、缺失编码与日级统计这些传统但关键的预处理上。

要解的到底是哪两个二分类？输入输出如何定义

论文定义了两个独立的二分类任务，第一个是 PVH 对非 PVH 加对照，第二个是 NPVH 对非 NPVH 加对照，所有实验只用官方训练划分。输入是按 50 毫秒分辨率从颈表加速度导出的帧级特征，包括基频、声压级、倒谱峰突出度、一二次谐波差、频谱倾斜、高低频比，以及部分受试者缺失的基于声门逆滤波的声门度量，另有逐帧掩码指示录音开关、浊音与歌唱状态。输出是每个受试者两个概率，即 PVH 概率与 NPVH 概率，再以 0.5 为阈值得到二值预测。

学习依赖的关键难点在于监督粒度错位：标签在受试者级，观测在帧级与窗口级，日常信号噪声大、时长不一、部分通道缺失，且 NPVH 阳性占比更低、模式更弥散。因此方法必须同时回答 3 个问题：如何选出可用的发声帧，如何把变长多天记录压成固定维表示，以及如何在只有包标签时让模型关注到真正致病的片段。后文的表格分支回答长期压缩问题，深度分支回答局部定位问题，堆叠回答两者如何校准融合。

双分支加堆叠的全景：一个样本走完全程

跟着一个受试者走一遍最有助于建立全局感。假设某人佩戴颈表一周，原始记录先被切成 50 毫秒帧并附带掩码，流水线只保留同时满足设备开机、浊音、非歌唱的帧，其余帧丢弃，留下来的帧进入两条并行通路。一条通路按天做鲁棒分布统计，再跨天取平均、最小与最大压成固定维表格向量，送入 CatBoost 得到表格概率；另一条通路把连续帧拼成 12 秒窗口，每个受试者至多采样 24 个窗口，每个窗口经 1 维卷积残差编码成 256 维向量，再经门控注意力加权平均成受试者表示，经多层感知机得到深度概率。最后堆叠器把两个概率及其变换、差值与乘积拼成 4 维元特征，经逻辑回归输出最终的 PVH 与 NPVH 概率。

这段导读带你看总览图，图中自左向右分为 4 个阶段，左侧是采集与预处理，中间是表格与深度 2 个分支，右侧是堆叠集成，箭头标明了帧到日统计、帧到窗口、概率到最终概率的 3 次形态变化，读图时先抓主干再看分支细节，就能把后文公式与超参数放对位置。

看图路径： 1. 先沿 Stage1 到 Stage4 自左向右追主路径：颈表采集过滤、表格分支、深度分支、堆叠输出；2. 再看 Stage2 与 Stage3 如何并行：日级统计进 CatBoost，12 秒多通道窗口进残差加注意力；3. 最后确认 Stage4 汇合点：分位数变换加逻辑回归同时输出 PVH 与 NPVH 两个概率

论文图 2。原论文 Figure 2：“Overview of the proposed dual-branch CatBoost–MIL stacking pipeline for ambulatory PVH/NPVH detection from neck- surface accelerometer data.”。

总览图确认了 3 个教学要点。第一阶段明确写出周级 50 毫秒帧与浊音、非歌唱、设备开机的过滤条件，说明输入不是原始波形而是已提取的帧特征加掩码。第二阶段表格分支强调日级统计、分布特征、熵、基尼系数与交互特征，输出是受试者级 CatBoost 分类器；第三阶段深度分支强调 12 秒多通道窗口、残差加压缩激励模块、门控注意力池化，输出是受试者级多实例分类器。第四阶段把分位数变换加逻辑回归堆叠标为独立阶段，同时指向 PVH 概率与 NPVH 概率两个头，提示 2 个任务共用架构但元分类器与变换是分别训练的，不能把 1 个任务的阈值直接搬到另一个任务。

帧过滤与表格分支：如何把一周压成一行向量

帧级预处理的具体动作是：只保留 recordingOn 为 1、voiced 为 1、voiced singing 为 0 的帧，用鲁棒 z 分数按通道剔除幅度异常值，把缺失值填零并追加二进制缺失指示器，以区分真零与传感器脱落。这个缺失显式编码的细节初学者容易忽略，但它决定了后文消融中去掉缺失指示器会掉点的现象，因为部分受试者本来就没有逆滤波通道，若不标记缺失，模型会把填零误当成生理上的极低能量。

多实例学习 × 门控注意力池化： 多实例学习负责把一个受试者建模为多个 12 秒窗口组成的包，只用包级标签训练而不需要标注哪个窗口致病；门控注意力池化负责给每个窗口学一个权重再加权平均成受试者表示，让高强度或过度功能片段占更大比重；二者搭配的原因是日常录音中信息片段稀疏且位置未知，组合意义在于用注意力图同时完成定位与聚合，并为 PVH 这类阵发性事件提供可解释的权重。

表格分支的构造分两步。先在每个声学与逆滤波通道、多种掩码条件下按天计算鲁棒统计，包括均值、方差、偏度、峰度、四分位距、中位绝对偏差、尾部分位数、基尼系数与帧间差分，再跨天取平均、最小与最大得到固定维受试者向量。针对 NPVH 还额外构造交互特征，如发声效率即倒谱峰突出度除以基频、闭合周期性比与谐波稳定性比，用来捕捉更细微的低效模式。随后训练 CatBoost 表格分类器，调参范围包括树深、约 0.01 的学习率、约 1500 轮迭代、L2 正则与类别权重，并在 5 折分层分组交叉验证下选择，NPVH 需要更强的类别权重与正则以应对更大的不平衡与异质性。

深度分支：窗口编码与注意力如何挑出关键片段

深度分支把每个受试者看作由固定长窗口组成的包，每个窗口由连续 50 毫秒帧在全部通道上拼接而成。对 PVH 的描述是每帧包含 12 个原始声学通道、1 个能量通道、1 个全局缺失指示器，以及把日级统计广播到时间轴得到的 117 个辅助通道，共计 131 个通道。每个受试者至多采样 24 个 12 秒窗口，不足则补齐，这样既能覆盖完整发声短语，又能在不同录音时长之间保持训练稳定。每个窗口先过 1 维卷积茎，再过 4 个带压缩激励模块的残差块，输出每个窗口 1 个 256 维嵌入，压缩激励被选中的理由是颈表通道异质性强，需要按通道重标定特征响应。

门控注意力机制把 N 个窗口嵌入矩阵记为 Z，学两个投影矩阵并用双曲正切与 S 型门控逐元相乘再经线性投影与归一化得到注意力权重，受试者表示即各窗口嵌入按权重加权求和，直观上就是让高强度或过度功能事件占更大比重。聚合后的嵌入送入带层归一化与 0.3 丢弃率的 3 层多层感知机，用类别加权二元交叉熵加聚焦损失训练，以强调难例。需要提醒的是原文只给了注意力公式的符号形式与训练损失的组合名称，没有给出聚焦损失系数、门控隐维与优化器动量等全部细节，复现时应把这些记为缺项而不要从模型名推定实现。

CatBoost × 堆叠泛化： CatBoost 负责在日级鲁棒统计与交互特征构成的固定维表格向量上做受试者级分类，承担长期分布建模；堆叠泛化负责把表格分支与多实例分支的袋外概率及其差值与乘积作为 4 维元特征，再训练逻辑回归输出最终概率，承担分支间校准与分歧建模；二者搭配的原因是 2 分支误差模式不同且折间校准漂移明显，组合意义在于用分位数变换先对齐概率分布，再让元学习器学何时信全局、何时信局部。

堆叠集成：四个元特征如何把两分支拼成最终概率

堆叠的训练数据不是原始帧，而是 2 分支在 5 折分层分组交叉验证下产生的袋外概率，且保证同一受试者的所有天都在同一折，避免天级泄漏。对 NPVH 先做基于排序的归一化，即用分位数变换器映射到均匀分布以纠正折间校准漂移，PVH 则保留原始概率。元特征向量是 4 维的，包括变换后的表格概率、变换后的深度概率、两者绝对差与两者乘积，前两者保留各自的置信，后两者显式刻画分支间的一致与分歧，再用带平衡类别权重的逻辑回归训练元分类器。

对单个受试者记表格概率与深度概率为两个 0 到 1 之间的数，经各自经验分布函数变换后得到均匀化版本，再拼成 4 维向量经 S 型函数输出集成概率，二值预测在 0.5 处阈值化。这个设计的教学价值在于它把融合拆成可检查的两步：先对齐分布，再学融合权重，因此当 PVH 与 NPVH 的类别不平衡与异质性不同时，可以分别选择是否做分位数变换。原文明确只对 NPVH 做变换，PVH 保留原始概率，复现时不要统一处理，也不要把差值与乘积省略，因为它们是让元学习器看到分歧的唯一通道。

参数如何更新与冻结？训练的真实计算过程

本节按证据交代 3 个训练环路，避免把堆叠误当成端到端联合训练。第一个环路是 CatBoost 表格分类器，超参数经内层交叉验证选择，不平衡经正例权重处理，树模型按梯度提升逐轮拟合残差，不存在反向传播到帧特征的过程，帧过滤与日统计在训练前已冻结。第二个环路是深度多实例模型，用 PyTorch 实现，以 Adam 或 AdamW 优化，余弦学习率调度，在验证 AUC 上早停，多层感知机头用 0.3 丢弃率，训练在 GPU 上进行而推理可在 CPU 上运行。第 3 个环路是堆叠元分类器与分位数变换器，用 scikit-learn 实现，在袋外预测上分别对 PVH 与 NPVH 训练，不回传梯度到任何基模型。

监督来源需要说清：表格与深度分支都只用受试者级二分类标签，没有窗口级标注，深度分支的注意力权重是在包级交叉熵加聚焦损失下间接学到的，不是人工标注的事件位置。重置时机方面，5 折交叉验证的每一折都在四折上重训 2 分支并在留出折上产生袋外预测，元分类器再在全部袋外预测上训练，最终 AUC 基于袋外预测报告。原文未报告随机种子、早停耐心轮数、批量大小与学习率初值，复现时应把这些记为缺项，用网格搜索补齐时要固定分组键为受试者编号，否则天级随机划分会造成泄漏而虚高。

数据、划分与指标：比较公平的条件是什么

数据集按原文是长期颈表加速度记录，来自 582 人，其中 213 名 PVH 患者配 169 名匹配对照，116 名 NPVH 患者配 84 名匹配对照，主要输入是 50 毫秒帧特征，部分受试者缺逆滤波参数并在预处理中处理。评估主指标是受试者级受试者工作特征曲线下面积即 AUC，与 NeckVibe 挑战保持一致，基线与消融还报告在默认 0.5 或每折 0.1 到 0.9 网格搜索阈值下的准确率、F1、精确率、灵敏度与特异度。为防泄漏采用 5 折分层分组交叉验证，分组键为受试者编号，2 分支都在四折上训练并在留出折上评估，产生训练堆叠器的袋外预测，该流程对 PVH 与 NPVH 分别执行。

下面这张表要回答的比较问题是：在相同数据与相同分组交叉验证下，堆叠相对单分支与官方测试的排序关系是否一致，公平条件是同一受试者分组、同一受试者级 AUC 口径，指标方向是 AUC 越大排序能力越强。表前先明确这一点，读表时才不会把官方测试 AUC 与袋外 AUC 混为一谈。

表后解释需要同时给出收益与代价。收益是堆叠在 2 个任务的袋外预测上都高于各自单分支，且官方测试延续了 PVH 第 3 名与 NPVH 第 1 名的排序，支持长短尺度互补的判断。代价与限制是 NPVH 袋外 0.756 与官方 0.861 之间存在明显落差，提示官方测试分布、阈值或数据划分与袋外估计不完全可比，不能把官方高值直接当成袋外可部署收益；同时表格中人数揭示 NPVH 阳性更少，任何阈值型指标都会更不稳定，读 AUC 时要结合后文置信区间与可靠性图一起看，未胜出的单分支与重叠区间就是具体的反例锚点。

主结果与校准：排序好是否等于概率准

官方挑战评估报告系统在 PVH 任务上 AUC 为 0.891，在 NPVH 任务上 AUC 为 0.861，分别对应第 3 名与第 1 名，原文同时提醒代表性既往结果因数据集与任务定义不同而不能直接数值比较。内部交叉验证用 2000 次分层自助给出 95% 置信区间，PVH 堆叠区间完全位于深度单分支区间之上，支持堆叠带来统计意义上的增益，而 NPVH 堆叠与表格单分支区间大面积重叠，与类别不平衡更大、发声特征更细微的解释一致。

分位数变换 × 可靠性图： 分位数变换负责把各折输出的概率按经验分布映射到均匀分布，纠正折间阈值漂移；可靠性图负责把平均预测概率与实际阳性比例对照，检查模型是过置信还是欠置信；二者搭配的原因是 AUC 只管排序不管概率绝对值，组合意义在于用变换改善跨折可比性，再用可靠性图验证变换后 PVH 贴近对角线而 NPVH 仍系统性偏低，从而不把排序好误读为概率准。

下面这段导读带你看可靠性图，左为 PVH、右为 NPVH，横轴是平均预测概率，纵轴是实际阳性比例，红色对角线为理想校准，3 条折线分别对应表格、多实例与堆叠，读图前先确认图例与坐标含义，不要把曲线高低直接当成 AUC 高低。

看图路径： 1. 先确认左右两面板分别为 PVH 与 NPVH，横轴为平均预测概率、纵轴为实际阳性比例；2. 再找红色对角线为理想校准，对比蓝色表格、橙色多实例、绿色堆叠三条折线的位置；3. 最后重点看 NPVH 右图三条线整体位于对角线下方，执行欠置信判断

论文图 3。原论文 Figure 3：“Reliability diagrams for PVH and NPVH.”。

像素层面的解释是：PVH 左图中堆叠与表格两条线大体沿对角线爬升，说明分位数归一化后折间校准漂移得到缓解，而深度单分支在中高概率段出现平台与回落，提示局部事件模型在高置信区不稳定；NPVH 右图中 3 条线整体趴在对角线下方，预测概率 0.8 到 0.9 时实际阳性比例仅 0.3 到 0.5，原文称之为持续欠置信，并归因于类内多样性与约 20% 阳性率的不平衡。这个反例很重要，它说明即使 AUC 显示排序能力，概率绝对值仍不可直接当作风险解释，部署时必须重做阈值与校准验证。

拿掉哪一块会掉点？增益到底有多大

消融与基线比较在相同划分与评估协议下进行，目的是分离表格统计、缺失建模、校准与交互特征各自的贡献。需要先提出比较问题：在固定 5 折分层分组袋外 AUC 下，卷积长短时基线、单分支、去掉日统计、去掉缺失指示器、去掉分位数归一化、去掉 NPVH 交互特征分别损失多少，公平条件是同一 NeckVibe 数据、同一划分与同一 AUC 口径，指标方向仍是越大越好。

看图路径： 1. 先确认左右面板分别为 PVH 与 NPVH 的堆叠集成受试者工作特征曲线，横轴为假阳性率、纵轴为真阳性率；2. 再比较蓝色曲线高出橙色对角线的幅度，左侧 PVH 上凸更早更陡、右侧 NPVH 爬升更缓；3. 最后读标题栏标注的曲线下面积数值，确认 PVH 高于 NPVH 且与正文袋外预测口径一致

论文图 4。原论文 Figure 4：“ROC curves of the stacked ensemble (5-fold stratified GroupKFold OOF) for PVH (AUC = 0.886, left) and NPVH (AUC = 0.756, right).”。

上图为堆叠集成的袋外受试者工作特征曲线，左 PVH 曲线下面积标注为 0.8856 附近，右 NPVH 标注为 0.7564 附近，蓝色曲线高出橙色对角线的幅度即排序能力。像素上左图在很小的假阳性率下就快速抬升到 0.6 以上的真阳性率，说明 PVH 的强阳性更容易被排在前面；右图爬升更缓，在 0.2 假阳性率附近才达到 0.6 到 0.7 的真阳性率，与 NPVH 更弥散的判断一致。注意此处的 0.886 与 0.756 是训练集袋外估计，不能与官方测试的 0.891 与 0.861 混用口径，后者在独立测试上的分布可能不同。

表后必须给出未胜出项与边界。卷积长短时基线在 PVH 与 NPVH 上明显低于堆叠，说明简单时序编码不足以处理变长多天记录；去掉日统计、缺失指示器或分位数归一化都会让 NPVH 掉点，支持全局时间上下文、传感器脱落建模与校准修正各自必要；但讨论部分明确承认完整系统相对纯表格仅提升 PVH 约 0.001 与 NPVH 约 0.002 量级，因此不能声称深度分支带来大幅增益，它的价值是互补性的校准稳定性与注意力图的可解释性。任何拿掉后必然崩溃的说法都超出证据，只能说在本次划分下观察到上述方向的下降。

哪些结论不能下？边界与未测量的代价

首先区分 3 类表述。直接报告的是官方测试 AUC 与袋外 AUC 及置信区间，有限解释的是 PVH 靠瞬时事件、NPVH 靠长期分布的病理对应，待验证的是注意力权重是否真正定位到临床致病片段，因为论文没有提供事件级标注来验证注意力图的生理准确性。缺失证据不是技术错误，但不能把相关性当因果，也不能把注意力高权重直接读成病灶位置。

其次是未测量的量。原文报告了训练用 GPU、推理可用 CPU，但没有给出推理延迟、内存占用、输出帧率与实际功耗，也没有测量误判率在不同性别、年龄或职业用嗓强度下的分布，因此不能承诺延迟改善或公平性成立。总体趋势不等于每组都成立，NPVH 的欠置信与区间重叠就是提醒，阈值 0.5 只是默认选择，换阈值会改变灵敏度与特异度的 trade-off。最后是可比性边界，既往研究的 0.82 与 0.70 等数字因任务更简单且数据不同，原文已声明不能直接比较，复述时必须保留该声明而不能做跨表排名。

要复现先做什么？按原文搭出可运行链路

复现的第一步是按受试者分组重建数据划分，用受试者编号做分组键做 5 折分层分组交叉验证，同一人的所有天必须进同一折，并只用官方训练划分调参。第二步是实现帧过滤，先筛出设备开机、浊音、非歌唱的 50 毫秒帧，再做按通道鲁棒 z 分数去极端值，最后把缺失填零并拼上二进制缺失指示器，部分缺逆滤波的受试者不要丢弃而要靠指示器保留。

第三步是并行构造两种表示，表格侧按天算均值、方差、偏度、峰度、四分位距、中位绝对偏差、尾部分位数、基尼系数与帧间差分再跨天取平均、最小与最大，NPVH 再加发声效率等交互特征；深度侧按每受试者至多 24 个 12 秒窗口采样，不足补齐，每帧按 131 通道组织，经 1 维卷积茎加四块带压缩激励的残差块得到 256 维窗嵌入。

第四步是分别训练 CatBoost 与门控注意力多实例模型，前者调树深、约 0.01 学习率、约 1500 轮、L2 与类别权重，后者用类别加权交叉熵加聚焦损失、3 层感知机加层归一化与 0.3 丢弃率、余弦调度与验证 AUC 早停。第五步是在袋外概率上训练堆叠，对 NPVH 先做分位数变换到均匀分布，PVH 保留原始概率，再把两概率、绝对差与乘积拼成 4 维特征训练平衡权重的逻辑回归。资源状态方面，本次收到的证据中没有绑定且完成超文本传输安全协议状态验证的资源，因此不得声称代码、模型或数据已公开，复现应按论文文字与上述超参数从零实现并记录缺失的种子与批量大小。

何时值得尝试这套双尺度堆叠？一句话收束

当你的任务同样是受试者级弱标签、日常变长噪声记录、且怀疑信号中既有短时爆发又有长期漂移时，这套表格分布加注意力多实例再堆叠的思路值得尝试，因为它把可解释的统计特征与可定位的深度权重分开建模，再用校准后的元学习器处理分歧。复现时先保证分组无泄漏与缺失显式编码，再验证堆叠是否真带来区间意义上的增益，而不是只看单点 AUC。若你的场景是实验室短录音或已有精确事件标注，更简单的单分支或全监督可能更直接，而本研究的注意力图仍需事件级标注来验证临床对应，这是补做的关键验证。

⚖️ 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