自监督学习

共收录 103 篇 cvpr-2026 会议论文的 Reader 深度解读

共收录 127 篇 eusipco-2026 会议论文的 Reader 深度解读

论文把多种自监督音频、视觉和音画特征冻结后只训练线性分类头，在科学数据集与野外数据上比较检测、异常检测、可解释定位与互补融合，发现含音频信息的表示泛化最好但野外数据仍困难，且随机特征也能靠捷径得高分。

针对含噪机器声中最近邻匹配不可靠的问题，该研究用机器与噪声标注加混合对齐做保留式再预训练，在受控信噪比与噪声失配下相对 BEATs 提升低信噪比约 4.1、平均约 3.1，代价是仍与嵌入混合上界有差距且依赖固定的 0.5 混合系数。

该研究用四种自监督前端搭配四种后端、在三种多语料组合与六个评测集上对照，报告显示 XLSR 搭配 ResNet 平均等错误率最低，加入外部语料让 ASVspoof 5 编解码子集等错误率走高而野外子集走低，约 8 小时西班牙语伪造音频让西班牙语评测大幅改善而中文评测维持原量级。

共收录 147 篇 aaai-2026 会议论文的 Reader 深度解读

共收录 199 篇 acl-2026 会议论文的 Reader 深度解读

该文把 HuBERT 的 Transformer 层替换为 Mamba 做语音自监督预训练，在因果与长上下文语音识别上验证线性复杂度与更低计算量优势，并以音素纯度、典型相关分析和 SUPERB 探测说明表征特点，代价是 Base 尺寸双向 Mamba 整体探测分数落后于 Transformer。

论文以语音、音乐、环境音和歌声四类伪造检测为问题，用单前端、双前端与蒸馏双前端对比自监督前端选择，最强证据是 XLS-R 加 EAT 十八层双前端在联合训练下取得最低平均等错误率，代价是前端参数量明显增大且混合音频仍大幅退化。

该文用 k-稀疏自编码器把三种语音自监督特征压成不同稀疏度，再在 SUPERB 六任务上测出最优 k 各不相同，并用信息瓶颈解释为说话人与情感偏压缩、音素与识别偏保留，而输入层质量只能小幅移动该权衡。

针对 HeyJay!数据集的三级构音障碍严重程度分类问题，论文用冻结的 wav2vec 2.0 Large XLSR-53 做特征提取加约 67000 参数的可训练解码器，在说话人独立五折交叉验证下取得话语级准确率 64.6%、说话人级准确率 80.2%，代价是中度与重度边界仍存在与专家分歧同构的混淆。

针对未见合成方法泛化难的问题，论文把 WavLM-Large 部分高层的前馈块替换为多专家并用门控做整句选路，在 14 个评测集上把宏平均等错率从 5.46% 降到 4.81%，代价是参数增至 329M 且需全量微调。

共收录 52 篇 odyssey-2026 会议论文的 Reader 深度解读

该文以声门源波形为输入、声学韵律聚类为自监督目标、说话人归一化与对抗说话人损失为解耦手段，在音高重建与 ToBI 事件检测上超过 HuBERT-base 与原始韵律基线，并以说话人识别准确率大幅下降为代价证明了解耦效果。

论文把播放会话当句子训练跳元向量并用艺术家质心相减剥离歌手身份，以原始均值 0.2487 降至残差均值 0.0005 后仍有 4577 对跨歌手高相似为存在性证据，但自动播放混杂与重度用户偏差使结论止于信号存在而不及推荐性能。

该文以 WavLM 为骨干研究说话人日志，报告加权多层目标、10k 小时数据规模、Large 容量与 Conformer 切块调优带来可复现的 DER 下降，但 100k 小时与剪枝收益趋平且标注噪声限制可测改进。

论文把新语言低资源表示学习定义为跨语言元学习，用多任务自适应预训练构造适应 эпизод并以一阶双层优化实现可扩展更新，在三语平均上用 1 小时无标注适应追平 6000 小时域内上限，但零样本起点变弱且外环仍依赖源语言音素标注。

论文把 V-JEPA 2 延续到约 62 小时无标注声道实时核磁上，用冻结编码器加轻探针测跨域音素、口吃二分类与舌切除前后迁移，最强证据是跨域音素 κ 升至 0.352 而口吃仅小幅提升，代价是单卡小批量、短窗与三例临床样本的局限。

针对语音、声音、歌声与音乐四类音频造假统一检测问题，论文提出冻结语音自监督模型并只学习提示词的小波提示调优方法，在四类联合训练下以远少于微调的参数取得更低的平均等错误率，但单类训练仍难跨类泛化。

在从场景化演员录音训练、真实诈骗电话测试的跨域条件下，论文对比域不变的 4 维韵律特征与冻结的 HuBERT/wav2vec2.0 表示，显示 4 维韵律在零样本达 69.5% F1 可直接部署，而 HuBERT 在 5 样本时达 94.2% F1 但需真实样本与 GPU。