音频分类

针对小频移下谱平均被抹糊的问题，该文把熵正则 Wasserstein 重心约束为给定阶数全极点谱，用 Sinkhorn 加反射系数参数化梯度下降求解，在 TIMIT 五音素上以平衡准确率与 F1 略优于非参数重心，但优化非凸只能得到次优平稳点。

共收录 103 篇 cvpr-2026 会议论文的 Reader 深度解读

共收录 91 篇 dafx-2026 会议论文的 Reader 深度解读

针对固定帧与浊音基音周期非整数比造成频谱失真的问题，该文用声门闭合时刻定帧界并重采样到统一时频网格，在 TIMIT 音素分类上以 6 ms 表观支撑达到 47.3% 准确率，超过 24 ms 固定帧的 46.8%，代价是依赖 GCI 估计与二维插值且未建模上下文。

该研究用受控仿真对比卷积噪声与加性噪声对房间脉冲响应表征的影响，显示在能量交点附近截断卷积噪声并在增强时加入加性噪声能改善潜空间可分性与混响时间估计，而把过长噪声尾保留进训练会损害向真实混响语音的泛化。

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

针对拟音数据缺乏动作与材质细粒度标注的问题，论文用两层人工分类体系组织 10000 段拟音并给出可复现基线，最强证据是大类准确率 0.82 而 73 类降至 0.64，代价是长尾分布与单标注者带来的细类混淆。

针对 FSD50K 存在背景干扰、重叠与稀疏标注的问题，该工作用扩散模型生成干净单源样本再构造受控混合来训练 BEATs 加 Bi-LSTM 判别器，在专家整理的 BSE 集上报告 95.51% 准确率与 98.58% 精确率，并据此筛选出 32,880 条的 FSD50K-Solo，代价是未验证对未见类别的泛化。

针对广义零样本声事件分类中未见类被大量判为已见类的问题，论文用属性条件 GAN 生成未见类隐特征训练分类器，再以类级分布外检测做分流与概率融合，在 RWCP-SSD 上把调和平均从 36.2 提高到 78.7，代价是类级检测器数量与阈值调节成本增加。

针对听诊设备、听诊位置和病人特征带来的系统性偏移，该研究用门控残差、FiLM、TAFiLM 和 SoftFiLM 四种元数据调制机制改造音频频谱 Transformer，在 ICBHI 上 SoftFiLM 取得 4 类 64.11% 和 2 类 72.40%，代价是全层调制与全量微调及额外掩码正则。

针对空间语义分割同时要分离和分类而旧联合指标会把标签错配算成负分的问题，论文提出先做置换不变匹配再算分类的 CASA-SDR，并在受控交换与 DCASE 2025 系统上显示它能把差分离与标签交换区分开，代价是对删除与替换类错误不再区分。

针对音频文本对少、少样本适配易过拟合的问题，MUKA 用 Pengi 细粒度相似与 CLAP 全局相似的乘积核做免训练的核岭回归适配，在 11 个音频数据集 16 样本设置下平均准确率达到 80.90%，但在部分数据集上仍不敌线性探测且依赖超参数迁移。

该文在 ESC-50 的 5 任务类增量设置下用 Integrated Gradients 跟踪任务级解释漂移，报告含回放的混合方法同时获得最高平均准确率 0.4400 与最低遗忘 0.3896 并压低解释漂移，而正则化方法遗忘高且漂移大。

针对循环脉冲网络中稠密循环矩阵参数平方增长的问题，该工作用核长为 3 的一维卷积替代全连接循环并保留每个神经元可学习的轴突延迟，在 SHD 上达到 91.51% 精度并把单层循环参数从 65792 降到 259，代价是在 SSC 上落后 DelRec 约 4 个百分点且 SSC 未做超参搜索。

针对音效数据集标签体系互不兼容导致无法合并与比较的问题，论文用通用类别系统做共享标签空间，以规则四级流水线加冲突消解完成重标注与分层划分，最强证据是三库自动映射率达 98.49% 至 100% 并建成 58057 条的 EnvSound-UCS，代价是混合训练并未超越单库训练且存在标注噪声与划分泄漏风险。

针对切分学习中 ViT 中间激活传输开销大的问题，论文提出先按 CLS 注意力聚类合并样本再按簇质心保留 Top-k 令牌的 ADC，在固定通信预算下用更少样本和更短序列完成前后向，并在 DeiT-T/S 上以更低压缩比保持精度，代价是客户端约 5.1% 的 K-means 聚类开销。

针对基座会话与增量会话都只有极少标注音频的全少样本类增量音频分类问题，TAPE 冻结 CLAP 音频编码器并学习任务适配投影与推理期低熵原型演化，在三套音频任务上报告平均准确率与性能下降率的同步改善，代价是每类需维护推理期优先队列并按会话重置原型。

该研究在八麦克风声学无人机检测定位任务上对比保形预测、证据学习与异方差回归，报告显示保形方法按构造实现名义覆盖、证据不确定性与分类错误相关而异方差回归定位误差最低，但纯噪声输入下模型仍保持 0.93 以上置信度而无法拒绝无效目标。

该文把预训练瓶颈定位为监督源弱而散，用高保真描述器加统一标签系重建强监督，并在同量音频上比较多种目标，显示数据质量与覆盖决定泛化而目标决定任务分化，但域内事件任务仍需更大规模验证。

论文以 M2D 自监督 ViT 为对象，用音频激活概率熵找出类特异神经元，报告其在未见任务上接近全类别覆盖与跨任务共享，并以不足 1% 神经元的失活验证其对分类的功能影响与局限。