层选择会高估语音抑郁检测的性能吗？

朴素层选择把 AUC 最多抬高 0.09

论文审查了临床语音建模中的一种常规做法：冻结一个预训练语音编码器，从它的每一层提取表示，然后报告表现最好的那一层。当这一选择是在用于报告性能的同一批交叉验证折上做出时，层选择就变成了评估流程的一部分，而不再是模型的一部分。

在 DAIC-WOZ 上，跨五个深度编码器家族做重复嵌套交叉验证，朴素地从25层中择优会把 AUC 抬高 0.05–0.09（均值 0.07）。差距最大的是 wav2vec2，AUC 从朴素选择下的 0.65 降到嵌套选择下的 0.56。论文强调，这一绝对差距会改变解读：0.65 意味着有意义的预测性能，而 0.56 只是略高于随机水平。

该审查覆盖 wav2vec2、data2vec、WavLM、Whisper 和 HuBERT 的 Large 变体，规模相当（约 0.3B 参数）。对每个编码器，作者提取输入嵌入以及全部24个 transformer 块的输出，得到25层 1024 维表示，每层对每位参与者做均值池化得到一个向量。

仅靠选择本身就能产生高于随机的 AUC

为了把选择与信号分开，作者用25组与标签无关的高斯特征做了300次无信号模拟。朴素地从25个中择优会系统性地给出高于随机的表观 AUC（0.64±0.03），每一次试验都超过 0.55，而嵌套选择保持在随机水平（0.50±0.07）。

第二项控制保留真实的潜在表示但打乱标签。在500次置换中，保持层间相关性、维度和参与者结构不变，朴素选择仍产生高于随机的 AUC（均值 0.59），而嵌套选择不超过随机水平（均值 0.50；配对 ΔAUC +0.08，95% CI [0.08, 0.09]）。由于标签不含任何信息，残余的 AUC 只能来自选择这一步。

论文还表明这种偏差不是一个固定常数。表观 AUC 随候选层数 K 单调上升（K=1→25 时为 0.50→0.59），与期望最大值的经典 σ√(2 log K) 增长一致；同时乐观程度随样本量下降而上升（n=140 时 Δ 为 0.08，n=40 时为 0.14），而嵌套选择始终接近随机水平。作者据此认为，原因是选择而非信号。

该偏差在第二种语言中重现

同样的打乱标签设置在意大利语 Androids 语料上重复（116位参与者，62位被诊断为抑郁）。朴素选择仍达到高于随机的 AUC（0.58），而嵌套选择保持在随机水平（0.50），Δ 为 +0.08，CI [0.08, 0.08]。

值得注意的是，这一现象出现在编码器在原始未打乱标签上确实能区分抑郁的情况下：合并 AUC 在朴素选择下为 0.96，在嵌套选择下为 0.93。作者据此认为，选择带来的乐观并非 DAIC-WOZ、英语或低信号情形所特有。

Androids 仅被用于这一控制，原因有两点：其非英语语音会使情绪编码器的情感比较成为不公平的跨语言测试，而且它缺少症状层面分析所需的 PHQ-8 条目标签。

无泄漏比较会改变排名

一旦层选择改为嵌套，论文就在 DAIC-WOZ 交叉验证上比较各表示家族（n=140，10次重复的均值±标准差）。一个119维的可解释声学表示 Affect+Timing+eGeMAPS 达到 AUC 0.75±0.03（95% CI [0.68, 0.84]；打乱标签零假设 0.52±0.07），是所考虑系统中交叉验证 AUC 最高的，而只需约120个可训练参数。

各组成部分的作用不同。仅 Affect 达到 0.65±0.02，加入 timing 只带来边际提升，但加入 eGeMAPSv02 特征后性能升到 0.75±0.03。论文把这一 0.65→0.75 的提升解读为：包括 H1-H2 在内的音质特征提供了 Affect 之外的互补信息，而 timing 在二分类 AUC 上接近零，却携带症状特异的信号。

在嵌套层选择下，最好的预训练编码器 data2vec 达到 0.66±0.05，与仅 Affect 相当，但低于最佳可解释设置。Qwen2-Audio-7B 也没有超过可解释表示：零样本评估达到 0.60，而额外用其潜在嵌入做冻结编码器探针表现更差（0.56±0.03）。Kyutai Mimi 最弱，连续 SEANet 潜在表示为 0.47±0.03，离散 RVQ token 统计为 0.58±0.02。

论文也报告了哪些做法没有帮助。在编码器层 token 上尝试四种深度头（transformer、交叉注意力、多任务、监督对比）都没有超过更简单的表示；最好的一种，data2vec 加交叉注意力，在10次重复交叉验证下只达到 0.60±0.06，且训练方差很大。加入38维情感动态轨迹描述子把性能从 0.75 降到 0.70，多任务症状学习和 SMOTE 同样没有提升。对全部15个特征子集的穷举扫描进一步确认 Affect+Timing+eGeMAPS 是唯一在交叉验证上最优的（AUC 0.75；次优为 Affect+eGeMAPS，0.69）。

留出测试分数高但不稳定

在47位说话人的留出测试集上，固定的 affect+logistic 模型达到 AUC 0.89 [0.76, 0.98]，说明单个测试估计值可以很高，同时排名却很不稳定。交叉验证排名没有延续到测试集：交叉验证最优的 Affect+Timing+eGeMAPS 从 0.75 降到 0.72，而在交叉验证中排在预训练深度编码器末位的 Whisper（0.54）在测试集上达到 0.77。Qwen2-Audio 零样本从交叉验证的 0.60 升到测试集的 0.84，尽管仅改变分类器配置，同样的输出 logits 就出现大幅波动（0.89/0.76）。

在所有系统上，交叉验证与测试排名只有弱一致性（Spearman ρ=0.25），而在五个预训练编码器之间呈强烈负相关（ρ=−0.97）。论文把这些排名反转视为小规模留出测试集上模型比较不稳定的证据，并据此主张以重复嵌套交叉验证作为系统排名的主要依据。

测试列是单个、受配置影响的留出估计，波动约为 ±0.13 AUC，因此不应被当作稳定的排行榜来读。

症状层面的偏差与校准后的严重度

下游模型无需额外成本即可分解出 PHQ-8 症状画像，使作者能把审查扩展到更细的粒度。合并五个编码器后，朴素选择抬高了全部八个症状的 AUC（均值 0.63，嵌套为 0.56）。嵌套协议在全部八个症状上都差于 Affect+Timing+eGeMAPS 参考系统（平均 AUC 差距 0.09，范围 [0.02, 0.17]），而朴素选择在 8 个症状中的 4 个（睡眠、疲劳、食欲、精神运动）上超过该参考系统（平均差距 0.04，范围 [0.01, 0.09]）。

使用加权 F1 并以 score>0 二值化，症状预测达到或超过既往工作的 CNN/LSTM 方法（0.65 对 0.59；在 8 个症状中的 6 个上更好）。对每个条目的累积序数期望求和得到严重度，4 类 κ 为 0.46±0.03，而直接回归为 0.34。概率过度自信（ECE 0.15±0.02），经 Platt 缩放改善到 0.09±0.02。

作者认为，这种逐症状画像、连贯的严重度和校准后的概率正是筛查工具所需要的，而黑箱潜在嵌入分数缺少这些。

结论适用到哪里为止

选择偏差的发现跨两个临床语音语料和两种语言重现，但更广泛的表示比较和症状分析仍基于单一语料 DAIC-WOZ。Androids 的复现仅限于打乱标签控制，因此它支持的是偏差结论，而不是排名结论。

关于性别的稳健性检查不能解释主要结果：尽管特征预测性别的 AUC 为 1.0，且抑郁与非抑郁参与者的性别比例不同（0.39 对 0.23），抑郁检测在女性和男性中依然很强（AUC 0.73/0.77），对特征做性别残差化后基本不变（0.76→0.75）。

论文自身的结论是一项协议建议：在小规模临床语音数据集上探测编码器层表示时，嵌套模型选择协议应成为标准做法。证据支持这一建议的范围是所审查的设定——冻结编码器、25个候选层、小规模临床语料——而不是关于所有表示学习的普遍主张。

给系统排名时该信什么

论文最具决策相关性的对比，是两个看起来像同一测量、却回答不同问题的数字。wav2vec2 的朴素 25 层择优 AUC 0.65 与嵌套 AUC 0.56 描述的是同一个编码器和同一批折，但只有后者估计了层选择迁移到新参与者时的表现。当差距为 0.09 时，实际差别在于一个看起来有意义的预测系统和一个仅略高于随机的系统之间。

第二个对比是交叉验证排名与留出测试排名之间。总体 Spearman ρ=0.25，而在五个预训练编码器之间 ρ=−0.97，因此单个47位说话人的测试分数无法判定哪个表示家族更好；论文自己的例子是 Whisper，交叉验证末位（0.54），测试集上却是 0.77。

第三个对比是复杂度与紧凑的任务对齐表示之间。在无泄漏选择下，119维的 Affect+Timing+eGeMAPS 模型以约120个可训练参数达到交叉验证 AUC 0.75，高于 data2vec（0.66）、Qwen2-Audio 零样本（0.60）和两个 Mimi 变体（0.47 与 0.58），同时还给出逐症状输出，4 类 κ 为 0.46±0.03，Platt 缩放后 ECE 为 0.09±0.02。对于在小规模临床数据集上比较语音表示的读者，论文的优先顺序因此很清楚：先固定选择协议，再比较各家族，并把症状层面的可解释性和校准作为比较的一部分，而不是事后补充。

本文引用的文献