跨分类器平均概率为何失效
论文从一个实际的集成问题出发。在小规模临床数据集上，组合多个分类器通常能降低方差，作者因此有意制造多样性：冻结的HuBERT-large模型编码波形，冻结的RoBERTa-base模型编码转写文本，再在不同L2正则化强度下用逻辑回归分类器处理这些嵌入。
这种多样性带来了一个测量问题，作者称之为后验概率尺度不匹配。一个0.7的概率，对基于声学特征训练的分类器和基于词汇特征训练的分类器，或对两个正则化强度不同的分类器，并不代表相同的置信水平。对这类数值取平均，等于默认它们可以相互比较，而事实并非如此。论文在ADReSS2020的音频分支上直接展示了这一效应：改变正则化强度C会改变后验概率的离散程度，48个评估样本上的标准差从0.11变到0.47，而受试者的相对排序基本保持不变。这一观察是整个设计的支点：如果排序保留而尺度不保留，那就聚合排序。
用百分位秩替代原始概率
对每个分类器，方法先用留一交叉验证在训练集上生成折外预测。一个测试受试者在该分类器下的得分，就是其概率在这个固定训练分布中的百分位秩，即折外得分不超过该受试者概率的训练受试者所占比例。集成得分是各分类器百分位秩的简单平均，当该平均值超过0.5时，基于秩的预测就把受试者判为AD。
论文给出的理由是，秩排序对单调变换不变。重新缩放某个分类器的概率不会改变受试者在训练分布中的位置，因此破坏概率平均的尺度不匹配不再进入集成。作者称这保留了每个分类器的置信排序，同时丢弃了其任意的数值尺度。实验中，集成成员并非手工挑选：它们从66个逻辑回归分类器（每个模态33个）组成的池中，按训练折外秩准确率做前向选择并配合单次和双次交换精修，最终ADReSS2020选出7个成员，ADReSSo2021选出5个。
门控随机森林修正残余错误
第二个组件针对秩集成仍会犯的错误。方法提取30个手工设计的声学与语言特征，涵盖停顿统计、时间与不流畅标记、图片描述中的内容丰富度，以及类符形符比等词汇指标。互信息选出前K个，ADReSS2020取K=12，ADReSSo2021取K=5，选择依据是最大化随机森林的留一准确率。
随机森林的预测只在两个条件同时满足时替换秩预测：两者预测不一致，且随机森林置信度（定义为其概率估计与0.5的绝对距离的两倍）超过在训练折外准确率上选定的阈值。这道门控是设计的保险。由于手工特征分支只能作用于高置信分歧，它无法随意改写集成输出，作者将其定位为一个可解释的修正阶段，用来识别哪些语音维度驱动了最终决策。论文报告，被选中的最有信息量的特征集中在停顿和内容两类。
两个基准数据集上的准确率
在ADReSS2020上，该框架达到95.83%准确率；在ADReSSo2021上达到90.14%。作者表示这些结果与先前报告的结果相比具有优势，且该框架在两个基准上都稳定优于概率平均。
解读这些数字时有两点需要注意。第一，它们是两个特定挑战数据集上的准确率，各有自己的受试者数量和录音协议，并不是面向大规模临床筛查的估计。第二，论文强调的比较是内部的：在同一框架内比较秩聚合与概率平均。与先前报告结果相比更优的说法出现在摘要中，而提取文本里没有逐系统对照表，因此这里最强的证据关乎聚合策略，而非对所有早期系统的确定性排名。
消融实验支持了什么
讨论部分报告了消融结果，确认每个组件都有贡献：文本和音频两个模态都重要，秩聚合稳定优于概率平均。这一点之所以重要，是因为两个模态携带不同信息，声学线索如韵律和迟疑，对比词汇与语义内容，集成的价值取决于这种互补性，而非某一分支占主导。
特征选择的结果给出第二个更偏定性的发现。通过筛选的手工特征集中在停顿和内容两类，作者以此作为修正阶段依赖临床可解释语音维度的证据。这是论文对所选特征自身的解读；提取文本并未量化最终准确率提升中有多少来自任何单一特征类别。
框架适用与不适用的范围
作者把秩聚合定位为一种有原则的替代方案：当异构分类器产生不可比较的后验概率尺度时，可用它替代概率平均；他们还指出该框架轻量，因为它依赖冻结的特征提取器和小型分类器。正是这一组合使其有望用于临床筛查流程，因为在那里重新训练大模型代价高昂。
边界同样具体。演示覆盖两个英语基准数据集，任务是从语音和转写文本检测阿尔茨海默病，且修正阶段依赖为本任务定义的手工特征，包括图片描述的内容度量。作者把更大临床队列、更多语言和其他异构分类器族列为未来工作，这意味着当前证据并未确立这些场景下的表现。门控阈值和特征数量也是在每个数据集内部按训练折外准确率选定的，因此其取值是数据集特定的，而非通用默认值。
论文确立的设计优先级
最有用的结论是一项设计优先级，而非某个准确率数字：当组合基于不同表示或不同正则化强度训练的分类器时，先检查它们的概率尺度是否可比，再决定是否平均。在本研究中，随着正则化变化，音频分支概率的离散程度从标准差0.11变到0.47，而排序基本保持，这正是百分位秩聚合更有依据的情形。
置信门控随后设定了第二项更窄的优先级。手工语言特征值得纳入，但不是作为又一个集成成员，而是作为选择性覆盖，仅在随机森林高度自信且与秩集成不一致时启用。因此，在ADReSS2020和ADReSSo2021上比较系统的读者应问两个问题：集成是否尊重每个分类器的排序而非其原始尺度，以及任何修正阶段是否门控得足够紧，以免削弱更强的主预测。
本文引用的文献
Robust Rank Aggregation for Multimodal Speech-Based Alzheimer's Disease Detection
聚合归一化百分位秩而非后验概率，再加上带置信门控的随机森林修正，在ADReSS2020上达到95.83%准确率，在ADReSSo2021上达到90.14%，并稳定优于概率平均。