多语多设备之下帕金森构音障碍检测为何跨库就失效：冻结声学模型加多库训练的取舍

英文题目：Détection automatique de la dysarthrie parkinsonienne par apprentissage profond : une évaluation multi-corpus hors domaine

会议身份：conference:jep:2026:conference-paper-id:ponchard26_jep

✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。

会议来源：官方记录 · 官方 PDF

标签：#迁移学习 #鲁棒性 #多语言 #语音 #病理语音评估

评分：5.5/10 | 创新 1.0/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 0.5/1.5 | 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

• Clara Ponchard：机构信息未能从会议 PDF 纯文本可靠映射
• Pierre Serrano：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

输入为覆盖朗读、复述、持续元音、双唇交替运动与自发独白的病理语音录音，输出为受试者属于帕金森病还是健康对照的二分类判决，实际难点在于语言、言语任务、采集通道、药物状态与疾病严重度交织造成的域偏移。方法链由三步构成：先将音频重采样至16 kHz并切分为训练用秒级片段，再送入冻结的多语言自监督骨干Wav2Vec 2.0 XLS-R以抽取多层声学表征并由多头因子注意力头跨层加权、沿时间聚合为录音级嵌入，最后经交叉熵优化的分类层输出判决且推理时直接处理完整录音。与既往取最后一层嵌入接支持向量机或线性分类器的做法不同，该方案保留并自适应选择中层韵律信息且采用说话人识别式后端建模，因而在小样本下更能抑制过拟合。在MDVR-KCL未见语料评测下，N+I+A三语料联合训练模型的AUC为85.3 ± 1.6%，高于I+A双语料模型的AUC 74.5 ± 3.9%对应的74.1 ± 4.6%。该多语料联合训练同时避免了单语料跨域近随机的退化，并使三测试语料的AUC保持在84%以上。上述结论的适用边界受限于所用的四语料任务与采集条件组合，低UPDRS分数与停药状态下检测更困难等真实筛查外推尚未验证。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

输入是什么：要从论文原文复述出任务、数据和输出吗？

本文的输入是论文本身的文字证据和本次收到的官方原图像素，目标是让刚进入语音音乐音频领域的研究生能够核对原文并复述方法，必须保留的信息包括 4 个语料的语言任务和采集条件、冻结自监督模型加多层分类头的训练方式、域内与跨库的划分评估方式、准确率与 ROC 曲线下面积两套指标的结论，以及低严重度和停药条件下更难检出的临床发现，输出是 1 篇按学习依赖展开的中文技术解读。

论文研究的临床对象是特发性帕金森病伴随的运动过少型构音障碍，白话说就是因多巴胺能神经元退化导致 striatum 去神经支配后，患者在呼吸、发声、构音、共鸣和韵律上出现的运动性言语异常，英文为 hypokinetic dysarthria。原文指出这类障碍在近八成患者中出现且常被认为特别致残，可出现在疾病早期甚至症状前期，而人耳感知评估仍是临床常态但主观争议大，因此需要可重复的客观语音工具辅助诊断和疗效跟踪。

任务被形式化为二分类，白话说就是给定一段录音判断说话人是健康对照还是帕金森患者，英文记为 HC versus PD classification。预测在录音级别做出，不做按说话人聚合，这意味着同一人的多条录音被当作独立样本计分。研究共用 4 个异构语料，覆盖西班牙语、意大利语、英语和法语，覆盖元音延长、句子重复、快速重复音节、朗读、自发对话和特定塞音句等任务，覆盖头戴麦、电话手持、实验室面罩等声学条件，覆盖服药与停药和不同构音严重度，总计 380 名说话人其中 211 名患者。

理解这一设置是后续所有泛化讨论的前提，因为性别年龄、用药状态、录音任务、采集设备和严重度都会改变语音分布，单库单任务训练很难直接搬到新医院。

已有路线卡在哪里：为何只用最后一层加简单分类器不够？

在进入本文方法前需要先定位已有路线的输入目标监督和运行阶段。同输入同目标的工作大多只用一个语料或一种任务，例如只在西班牙语延长元音上训练和测试，同监督指同样用健康对照与患者的二分类标签，同运行阶段指同样在录音级别输出判别分数。这类工作的常见做法是取 Wav2Vec 2.0 等自监督音频模型最后一层的嵌入，英文为 embeddings from the last layer of self-supervised audio models，再接线性分类器或支持向量机等简单分类器。

原文明确批评这种做法限制了鲁棒性和跨库可迁移性，并引用多项跨库研究说明其域外泛化不足。另一类相关工作比较不同自监督模型本身，但评估协议往往过于简化，只在线性探针下比较，这在数据有限时容易低估表示的真实潜力。还有工作讨论评估指标，指出常用准确率在小而异构的病理语音库上不可靠。

本文与它们的区别在于不更换预训练主干，而是改变使用方式和训练数据组织：一是冻结主干并用多层注意力头隐式选择信息层，二是把训练从单库扩展到多库并固定跨库测试，三是把评估从最大准确率转向曲线下面积和固定假正例率工作点。因此后文的对照不是模型参数量竞赛，而是数据多样性和评估严格性带来的泛化差异。

问题到底难在哪： variability 来自哪里？

论文要解决的核心矛盾是临床需要的客观可重复检测与病理语音高度可变之间的冲突。白话说，同一个患者在不同天、不同药效、不同任务下声音差别很大，不同患者之间差别更大，再叠加麦克风距离、房间混响、电话压缩和语言差异，模型很容易把通道或任务当成疾病线索。原文列出的影响因素包括性别、年龄、药理状态、发声任务、录音条件和构音障碍严重度。

举例说明但不虚构效果：同样是判断是否为患者，延长元音主要考验嗓音稳定性和发声控制，朗读和自发对话还引入韵律停顿和构音清晰度，快速重复 pa-ta-ka 则考验运动交替速度，若训练只见过其中一种，换任务就可能失效。更关键的是临床相关性：筛查场景更关心低假正例率下的检出能力，也更关心症状轻微者和停药者的检出，而这恰是公开库最缺少的。

因此本文把 3 个目标写得很具体：一是量化单库与多库训练对域内和跨库性能的影响，二是识别性别任务药效和严重度等影响因素，三是提出可重复且临床相关的评估协议和适应性指标。后续方法、训练和实验都要回扣这三点，不能只报一个最高准确率就结束。

方法全景：一个样本如何从波形走到录音级判决？

先沿一个样本走完全程，再展开每个组件。输入是一段原始录音，论文统一重采样到 16 kHz。表示阶段由冻结的 Wav2Vec 2.0 XLS-R 完成，白话说这是一个在多语大规模语音上预训练过的特征抽取器，英文为 self-supervised cross-lingual speech representation model，它输出多个 Transformer 层的帧级表示。组件阶段由多层注意力头 MHFA 完成，白话说这是一个先跨层加权再跨时间聚合的小网络，英文为 multi-head factorized attentive pooling backend with hidden dimension 128，它把变长帧序列压缩成定长录音向量并输出健康对照与患者的两类分数。目标阶段用交叉熵监督，白话说就是让正确类别的预测概率尽量高，英文为 cross-entropy loss。

输出是录音级预测，推理时把整段录音送入模型，由 MHFA 在时间上聚合得到唯一判决，不做说话人级投票。训练时与推理时在长度处理上不同：训练从每段音频随机截取 1 秒片段并组成类别均衡的批量，用 Adam 优化至少 100 个轮次并保留最后一个检查点；推理用完整录音。这种设计的安排理由在原文有明确交代：冻结自监督参数只优化 MHFA 是为了在数据有限时限制过拟合，同时让网络隐式选择最有信息的层。

多库训练是为了暴露模型给多种协议从而捕捉与疾病相关的声学多样性；整段推理是为了避免训练切块与测试切块不一致带来的偏差。初步分析提示第 20 层附近的中间层更关键，可能编码了与构音障碍相关的韵律信息，但原文表述为初步提示，需要待验证，不能当作定论。

组件与计算：冻结主干和注意力头各自做什么？

本节承担把两个核心术语的分工和组合讲透的教学任务。Wav2Vec 2.0 XLS-R 负责通用声学建模，它的输入是波形采样点，输出是每 1 帧在不同深度上的表示，浅层更接近频谱细节，深层更接近音素和语义，中间层可能保留韵律和发音方式。由于它的参数被冻结，梯度不回传到主干，监督信号只更新 MHFA，这意味着模型的声学知识完全来自预训练，疾病判别完全靠轻量头学习跨层组合。MHFA 负责两步聚合：先对多个层的表示做注意力加权，相当于为当前任务挑选层。

再对时间帧做注意力聚合，相当于为当前录音挑选关键时刻，最后经全连接得到分类分数。这种搭配的理由是病理语音库每库只有几十到上 100 人，若全量微调大模型极易记住通道和说话人，而冻结加轻量头把可训练量压缩到很小，更适合小样本。组合后新增的作用是得到面向构音障碍检测约束的嵌入，原文在结论中明确说这些嵌入可作为后续聚类和声学画像分析的基础，而不只是输出一个分数。

需要指出的缺项是原文未报告 MHFA 的具体注意力头数、学习率、批量大小和 1 秒切块的随机种子策略，也未给出冻结主干时是否使用层归一化更新等细节，因此复现时只能按已报告的 16 kHz、均衡批量、Adam、交叉熵和 100 轮次搭建，缺失部分需明确标注为未报告而不能从模型名字推定。

运动性构音障碍 × 说话人识别： 运动性构音障碍指帕金森病引起的呼吸、发声、构音、共鸣和韵律等多环节的言语运动异常，是本任务要检出的临床对象；说话人识别指从长时语音中聚合出稳定说话人表征的一套建模方法，是本研究借用的技术路线，二者搭配的理由是两者都需要抑制文本和通道变化而保留说话人层面的稳定发音特征，组合后新增的作用是用多层聚合头把声学自监督表示转化为面向疾病检测的录音级判别向量。

Wav2Vec 2.0 XLS-R × MHFA 分类头： Wav2Vec 2.0 XLS-R 是在大规模多语语料上预训练的自监督音频模型，负责把 16 kHz 波形变成多层上下文表示；MHFA 分类头是带 128 维隐层的多层注意力聚合模块，负责跨层和跨时间加权得到录音级预测，二者搭配的理由是冻结主干可以避免小临床库上的过拟合而只让轻量头学习疾病判别，组合后新增的作用是隐式选择信息量最大的中间层而不只用最后一层。

训练如何组织：划分、采样、优化和检查点如何执行？

本节承担把可重复的训练流程讲成具体动作的任务。数据划分上，对每个参与训练的语料按说话人严格分离切分为 80% 训练和 20% 测试，其中训练集的 20% 再划为开发集，整个过程生成 5 个独立随机划分并报告均值和标准差。MDVR-KCL 因只有 37 人而未参与训练划分，只作为域外评估集使用。采样上，所有音频重采样到 16 kHz，训练时每条音频随机取 1 秒片段，批量内保持健康对照与患者均衡。

优化上使用 Adam 最小化交叉熵，至少训练 100 个轮次并保留最后一个检查点，而不是在开发集上选最优轮次，这一点对复现很重要，因为选最优轮次会引入额外的选择偏差。推理时不切块，直接送入完整录音并由 MHFA 聚合时间维度得到录音级分数。监督来源是录音所属说话人的二分类标签，没有音素或严重度等辅助监督。

需要明确的是原文未报告学习率衰减、早停 patience、权重衰减和梯度裁剪等实现，也未说明 5 个划分的随机种子和说话人分层是否按性别年龄分层，因此复现时应固定自己的种子并记录分层方式，同时说明与原文存在实现差异。训练资源方面原文仅在致谢中说明使用了 IDRIS 的 Jean Zay 计算集群 H100 分区和 GENCI 分配，未给出单次训练时长和显存占用，因此不能承诺训练成本，只能说可训练参数仅为 MHFA 头而主干冻结，理论上比全量微调更省。

实验条件：测什么、和谁比、指标方向如何定？

实验按问题组织，每个问题都要交代测什么、与谁比、条件是否一致、指标方向和聚合对象。第一个问题是单库训练的域内与跨库能力，对比的是分别只在 Neurovoz、IPVSD 和 AHN 上训练的 3 个系统，测试覆盖 3 个库各自的测试集加未见过的 MDVR-KCL，条件一致指都用同样的冻结主干加 MHFA 结构和同样的 5 个随机划分流程，指标是准确率和 ROC 曲线下面积，方向都是越高越好，聚合是对 5 个划分取均值加减标准差。

第二个问题是双库与三库联合训练是否改善泛化，对比的是 I 加 A、N 加 A、N 加 I 和 N 加 I 加 A 4 种组合，测试集同样覆盖四库，公平条件是模型结构和评估流程不变，只改变训练库集合。

第 3 个问题是固定低假正例率下的临床可用性，对比的是不同性别、任务、UPDRS 评分和药效条件下的正确率，阈值固定在假正例率为 20% 以避免用最大准确率阈值带来的选择偏差，原文脚注明确解释不能直接融合不同训练的系统因为需要公共校准和相同训练数据，因此事后分析只选一个接近 5 次平均的代表性划分。

第 4 个问题是与文献的有限对照，对比的是 Neurovoz 上 DDK 任务的准确率，原文报告本方法达到 90% 而文献分别为 80% 五和 80% 8.6，但同时强调评估协议不同导致直接比较需谨慎。数据协议细节上，Neurovoz 为西班牙语，含元音延长、15 句复述、pa-ta-ka 轮替和看图独白，用 AKG C420 头戴麦以 44.1 kHz 录制；IPVSD 为意大利语，含朗读、元音延长和 pa-ta 轮替，以 44.1 kHz 无压缩录制；MDVR-KCL 为英语电话场景，用摩托罗拉手机经专用应用以 44.1 kHz 录制，含朗读北极风与太阳和自发对话。

AHN 为法语塞音句 papa ne m’a pas parlé de beau papa，用 EVA2 系统加 AKG C419 麦以 25 kHz 录制并同步气流信号，含 ON 与 OFF 两种药效和 0 到 3 的 UPDRS 第 18 项评分。

域内评估 × 跨库评估： 域内评估指训练和测试来自同一语料同一采集协议，负责度量模型在已知条件下的拟合能力；跨库评估指训练在一个或多个语料而测试在另一个语言任务设备都不同的语料，负责度量域外泛化，二者搭配的理由是临床部署必然遇到未见过的医院设备和口音，组合后新增的作用是暴露只看准确率会被掩盖的判别力崩塌。

准确率 × ROC 曲线下面积： 准确率是在固定阈值下判断正确的比例，负责给出单点可用性；ROC 曲线下面积是在所有阈值下对真正例率和假正例率权衡的积分，负责给出阈值无关的判别力，二者搭配的理由是临床小库类别不平衡且阈值选择影响大，组合后新增的作用是识别出准确率高但曲线下面积接近随机的失效系统。

下面的比较问题是 4 个语料在规模和构成上是否可比，公平条件是都按原文报告的说话人数和分组统计，指标方向是规模越大划分方差通常越小。

该表整理自原文连续句子而非猜测，规模差异本身就是结论的限制条件：MDVR-KCL 太小只能做评估，IPVSD 和 AHN 的划分方差大，因此后文任何单点最高值都必须结合标准差和曲线下面积一起读，不能只看准确率。

主结果：多库训练带来了什么，又在哪里仍失败？

先看单库系统的域内与跨库表现，下面的比较问题是同一结构只换训练库时判别力如何变化，公平条件是 5 个随机划分的均值加减标准差，指标方向是准确率和曲线下面积越高越好。

该表是对原文报告的转述，支持的判断是单库模型域内尚可但跨库异构，特别要记住 Neurovoz 到 AHN 的例子：准确率高达 79.6% 而曲线下面积只有 51.2%，说明阈值选得巧可以得到好看的准确率但模型几乎没有排序能力，这正是原文主张用曲线下面积和固定工作点评估的直接证据。

再看双库与三库训练，下面的比较问题是增加训练多样性是否消除对未见库的崩塌，公平条件仍是同结构同评估流程，指标方向同上。

该表显示所有双库组合都至少在一个未见库上失败，而三库联合在所有测试集上保持稳健且在从未参与训练的 MDVR 上达到 85.3% 的曲线下面积，支持的判断是暴露给 3 种协议是泛化的关键拐点，仅两种协议不足以覆盖帕金森语音的声学多样性。

为理解阈值无关的表现，需要看平均 ROC 曲线及其最大准确率工作点，下图是本次实际收到像素的四子图，每子图横轴为假正例率纵轴为真正例率，虚线为随机基线，圆点为最大准确率阈值，阴影为 5 个划分的标准差。 图前导读：请把该图当作阈值无关判别力的主证据来读，重点不是比较某条曲线在右上角高零点几个百分点，而是一边看曲线整体远离对角线的程度，一边看圆点工作点是否落在临床更关心的低假正例率左侧，以及阴影带是否过宽导致结论不稳。

看图路径： 1. 先确认四个子图从左到右依次对应 Neurovoz、IPVSD、AHN 和 MDVR 测试集；2. 再对比每子图内单库曲线与 N 加 I 加 A 三库曲线的相对位置和高假正例区形态；3. 然后观察圆点标记的最大准确率工作点落在曲线的哪一段；4. 最后结合阴影带的宽窄判断五个随机划分带来的不确定性大小

论文图 1。原论文 Figure 1：“Courbes ROC moyennes (± écart-type) pour les modèles entraînés sur un ou plusieurs des corpus Neurovoz (N), IPVSD (I) et AHN (A).”。

该图可见内容的解释是：在 Neurovoz 和 IPVSD 子图上多条曲线都明显高于对角线且彼此接近，说明域内判别较容易；在 AHN 子图上曲线整体偏低且 3 条曲线的相对顺序与前两个子图不同，说明法语面罩和药效混合条件更难；在 MDVR 子图上三库曲线保持在较高位置，支持多库训练对未见电话场景的鲁棒性；同时各子图的圆点位置差异提示最大准确率阈值并不对应低假正例率工作点，因此原文另做固定假正例率为 20% 的事后分析是必要的；阴影带在 IPVSD 和 AHN 上更宽，与原文指出的小库划分依赖性一致。像素不能精确辨别的纵轴数值不硬读，具体数值以后文表格为准。

ON-DOPA 条件 × OFF-DOPA 条件： ON-DOPA 条件指患者在服药后 2 至 5 小时或至少 1.5 小时后录音的状态，负责代表药物起效后的言语；OFF-DOPA 条件指停药至少 12 小时后的状态，负责代表更接近筛查和疗效跟踪的真实基线，二者搭配比较的理由是公开库几乎只有 ON 状态而法国 AHN 库同时包含两种状态，组合后新增的作用是检验训练偏向 ON 是否导致在更难的 OFF 状态上漏检。

分层反证：性别任务严重度和药效如何改变结论？

除核心跨库结果外，论文特有的细节是固定假正例率为 20% 的分层分析，它回答的是系统在哪些亚组上失效。下面的比较问题是在同一三库模型和同一阈值下，不同亚组的正确率是否一致，公平条件是阈值固定不再按每组选最优，指标方向是正确率越高越好。

该原表直接来自论文的分层统计，无需转述即可核对：Neurovoz 全局为 76% 而延长元音仅 58%，显著低于朗读的 80% 六和轮替的 90%；IPVSD 全局为 80% 七而女性达 90% 三；AHN 全局为 74% 而女性仅 58%、男性达 80% 七。

表后解释是主要收益与具体代价：三库模型总体稳定但代价是亚组不均衡依然存在，未胜出项很明确，即延长元音在西班牙语库上最弱而女性在法语库上最弱，这提示任务类型和性别与通道的交互仍未被完全消除，不能把总体曲线下面积推广到每个亚组。 另一组特有细节是 AHN 的临床分层，下面的比较问题是严重度越轻和停药状态是否更难检出，公平条件同样是固定阈值，指标是各条件下的正确率。

该表转述自原文的两个连续句子，支持的判断是低 UPDRS 评分组和停药条件明显更难，原文解释为公开库多为服药状态而 AHN 是唯一同时含两种状态的库，训练偏向 ON 导致 OFF 更难，这与直觉上停药症状更重应更容易检出的预期相反，恰好暴露训练条件与筛查现实的错位。

限制是样本量很小，例如 UPDRS 为 2 的组只有 2 例，因此只能表述为提示而非因果，且面罩采集可能使声学信号更难利用，原文同时提出气流等多模态是待验证方向。

限制与误解：哪些结论不能从本文推出？

本节承担明确边界的教学任务，避免把相关性当因果或把总体趋势当每组都成立。第一，准确率与曲线下面积冲突时不能只报前者，Neurovoz 到 AHN 的高准确率加近随机曲线下面积已证明单点阈值会误导，固定低假正例率工作点才是临床相关比较。第二，总体三库最优不等于每组最优，分层表显示女性、延长元音、低评分和停药组仍明显更弱，因此不能承诺对所有亚组的改善。

第三，文献对照只是有限解释，DDK 上 90% 对 80% 五和 80% 8.6 的比较因协议不同而只能说处于有利位置，不能当作同条件胜负。第四，中间层第二十层关键的说法是初步分析，原文用可能编码韵律信息表述，属于待验证推测而非已验证机制。

第五，缺失证据不是技术错误：原文未报告学习率批量大小等超参数细节、未测量推理延迟和计算成本、未评估按说话人聚合后的性能、未提供固定公共评估集，因此不能从冻结参数推定输出确定，也不能承诺延迟或成本改善。第六，没有证据表明代码模型或数据已公开，本次收到的资源状态显示无可用绑定，因此只能按论文文字复现流程，不能声称可下载权重或一键运行。

第七，随机划分依赖性强，特别是 IPVSD 和 AHN 的标准差大，意味着换一种划分结论幅度可能变化，复现时必须报告多次划分的均值和标准差而非单次最优。

复现先做什么：按原文重搭最小可运行流程需要哪些步骤？

复现的起点是数据与划分而非调参。先按原文获取 4 个语料并统一重采样到 16 kHz，保留原始采样率记录以备核查通道差异；对 Neurovoz、IPVSD 和 AHN 分别做说话人严格分离的 80% 训练 20% 测试划分，并从训练中再分 20% 做开发集，重复 5 个独立划分；MDVR-KCL 只做测试不参与训练。

接着搭建模型：加载多语预训练的 Wav2Vec 2.0 XLS-R 并冻结全部参数，只新建 128 维隐层的 MHFA 头并用 Adam 以交叉熵训练，训练时随机截 1 秒片段并保持批量类别均衡，至少训练 100 轮并保留最后检查点，推理时送入完整录音得到录音级分数。评估时同时计算准确率和 ROC 曲线下面积并报告 5 次均值加减标准差，再绘制平均 ROC 曲线并标出最大准确率阈值点，最后固定假正例率为 20% 重新计算分性别、分任务、分 UPDRS 和分药效的正确率。

关键超参数和信息条件中已知的应保留：16 kHz、1 秒训练切块、均衡批量、Adam、交叉熵、100 轮、最后检查点、录音级无聚合；未知而需补验证的是学习率、批量大小、注意力头数、种子和分层策略，应在复现报告中明确标注为自行选择。还需补的验证包括在固定公共测试集上的比较、按说话人聚合后的指标、低假正例率区的部分曲线下面积，以及在更多停药和低评分样本上的统计检验，这些都是原文指出但受数据量限制未能做实的。

收束：何时值得尝试多库冻结方案，何时不应照搬？

当你的场景也是小临床库、多设备多任务且测试医院与训练医院不同时，本文的三库联合加冻结主干加轻量多层头的方案值得优先尝试，因为它用最小的可训练量换取了对未见电话场景的稳健性，并提供了面向后续聚类的疾病约束嵌入。当你的目标是筛查轻症或停药人群时不应直接照搬本文阈值和结论，因为原文已报告这类人群更难检出且样本很少，此时应做针对性数据增强、任务平衡和阈值重选，并在固定低假正例率下评估。

教学上要带走的三点是：表示的使用方式比换更大主干更重要，中间层的选择和时间聚合的设计直接决定小样本下的泛化；评估的严格性比单点准确率更重要，跨库划分、多次随机种子、曲线下面积和固定工作点缺一不可；临床条件的覆盖比语言数量更重要，是否有停药和轻症样本决定了系统能否用于真实筛查。

最终判断应表述为论文直接报告的是三库在四库测试上避免崩塌，数据支持的是多样性带来鲁棒性，可能但待验证的是韵律层解释和多模态增益，未验证的是延迟成本和更大范围的跨语言推广。按此框架去核对原文表格和曲线，就能完整复述方法而不引入无源推断。

📐 原文公式与排版

以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。

另有 5 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。

⚖️ 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 jep-2026 论文汇总