鲁棒性

针对同一录音的多份个性化神经音频水印拷贝，论文用逐样本平均证明仅两份混合就能让五种系统大面积无法溯源到共谋者，并对比了可控误指向与置信度筛查的效果与代价。

本文针对竞争语音导致 CTC 识别器多吐词的问题，用冻结模型在配对干净语音上的期望折叠词元数作锚，只惩罚混合语音学生的超出部分，在 147456 参数的早期层适配下降低语音干扰词错误率，但长训练会在噪声和音乐上以删除增加为代价。

本文用冻结编码器加微调解码器的 DAC 零比特水印系统，研究训练时用哪一种神经音频编解码器做信道增强才能泛化到未见过的编解码器与传统失真，最强的证据是 Mimi 与 SNAC 联合增强在多项未见攻击下保持较高检出率，而代价是混响与连续多次重编码仍然困难且音质需受损控制。

针对两个终端各看局部、合起来才决定标签的分布式语义通信，本文用训练期均衡后协同奖励去修正逐终端计费的门控选择，在奇偶校验上复现理论门限并在 AV-MNIST 与 PAMAP2 上节省约三成负载符号，代价是集中训练与按预算重训门控。

本文把到达方向估计做成 32 类分类，用 U-Net 输出逐帧后验，再用保形预测集合的大小与形状决定相信神经网络还是相信时间连续性，实验显示该平滑在 0 dB 突发方向噪声下能降低平均绝对误差，但在无噪声低混响时提升很小甚至略变差。

ConformalMOS 针对合成语音平均意见分只给点估计不可靠的问题，用冻结声学编码加顺序感知分布头做点预测，再用切分共形校准输出有覆盖保证的区间，在 BVCC 上系统级 MSE 做到 0.08 但结论只在同域划分和强骨干下成立。

论文用同一模型同一训练流程对比随机划分与说话人无关划分，21 组配对显示准确率下降 6.9 到 63.1 个百分点，说明已发表高准确率中说话人记忆占主导，而冻结自监督表示保留相对更多。

针对只有目标注册语音时缺少干扰方信息的问题，NECTAR 利用混合质心近似等于说话人质心中点的几何关系并用质心空间映射器从单段输入估计质心，再把目标嵌入与估计的干扰质心拼接送入提取器，在 Libri2Mix 上达到 16.18 dB 的 SI-SDRi 提升，代价是增加一个约 1 小时训练的小型映射器。

论文量化了预训练 AST 在窗口和跳长偏离预训练设置时分类性能大幅下降的问题，并用冻结主干加轻量 FiLM 条件调制在少数据下恢复未见配置上的性能且基本保持原配置性能。

针对连续音频视觉流没有人工话语边界且切分不准、模态质量不稳的问题，AGF-Net 用自动切分加音频引导融合、预测式动态融合与多模态负学习的组合，在 IEMOCAP 四类情绪上干净条件达到 64.92% 准确率与 65.47% F1，中度噪声下保持 62.13% 与 63.08%，代价是仍需预热调度与可靠性估计且严重噪声下准确率会被反超。

针对训练用完整文本视觉音频而测试缺模态会大幅掉点的问题，MERP 把可用证据先压缩到固定隐变量库再做深层推理并用类别读出与融合保住多标签证据，在 20% 随机缺失下取得 0.563 与 0.780 的 micro-F1 并在音频单模态下避免崩溃，代价是更复杂的原型与多分支训练目标。

论文针对 AR 眼镜缺耳处误差麦克风且参考麦克风因果性受限的问题，采用辅助滤波器做虚拟传感，分析并验证了其随噪声方向失配而退化的规律，再用按方向选择的有限滤波器组恢复性能，代价是需要方向信息和多组离线标定。

AD-Mamba 针对长而稀疏且有噪声的音频分类，用先 CNN 后 Transformer 的多阶段蒸馏把局部谱时纹理和全局语义判别能力转入 Mamba 主干，在 AudioSet 上以 30M 参数达到 50.3% mAP 并在长音频与噪声填充下保持更稳的精度，代价是三阶段共 400 轮蒸馏训练与对强教师的依赖。

本文在语音数据上对比经典方法与两种自监督指纹模型的检索率与开销，核心发现是自监督方法明显更好但语音成绩仍远低于音乐，且错配时更倾向于找对说话人而非找对文本内容。

论文针对干净录音训练的阿姆哈拉语识别在真实电信语音上失效的问题，用同一批录音加可控退化构造多条件基准，测出最强基线在窄带加丢包下词错误率从 0.23 升到 0.79，并证明扩大数据加电信感知增强能把极端噪声下错误相对降低 23.6%。

针对自发含噪语音中填充词和笑声污染词边界的问题，论文保留经典 GMM-HMM 结构并换用 WavLM 特征加噪声配对投影与专用事件单元，在 149 小时自举训练下把 Buckeye 和 FluencyBank 词边界误差降到 20.6 与 76.9 毫秒，代价是朗读语音仍略逊于最强 MFA 配置且重度口吃语音绝对误差依然较高。

论文把向后兼容写成对旧嵌入器链的高检出与对链外嵌入器的高拒绝，用加权采样保链内检出、用角度多样性损失保版本边界，八个版本上把链外拒绝从约一成恢复到近百分之百且听感质量不变。

论文研究冻结单模态模型在缺模态推理中协作增益衰减的问题，提出保留私有预测通路并用兼容图公共分支做残差修正、再用渐进一致性约束公共表示的方法，在八个数据集的缺失状态平均指标上取得最优且在最小输入下保持正协作增益，但结论只在受控整模态移除和固定评测协议下成立。

MuseBench 用 361166 首曲目对照人类作曲与 10 种生成器输出，测出频谱图模型在干净条件下接近满分但在跨模型、压缩与变速下分化，并归纳出频谱、和声与演奏层面的可复现伪影线索与代价。

针对带噪语音条件导致生成语义偏移与轨迹不稳的问题，AlignAudio 先用适配器拉近干净与带噪表征，再用方向一致约束拉齐干净与带噪条件下的流匹配速度场，在语音到音频与语音转换任务上用噪声、域外与实录条件验证了条件保真度的提升与干净条件的保持。