点估计掩盖了听音测试报告的不确定性
标准化听音测试会报告基本音频质量的平均意见得分（MOS），同时给出置信区间（CI）和条件间的统计比较。相比之下，多数客观音频质量指标只输出一个点估计。论文把这一差距作为动机：客观指标的使用者无法判断某个MOS预测有多不确定、其区间能否达到足够的经验覆盖率，也无法判断某个估计出的质量差异是否会得出与听音测试相同的结论。
因此论文声明的首要目标不只是给出更好的MOS数值，而是估计给定参考信号与待测信号（SUT）配对下主观听者评分的条件分布。这样的分布可以让模型模拟听音测试面板、估计MOS不确定性，并评估条件间显著差异的可能性。
11个PEAQ特征输入装袋集成
该方法是侵入式的：对每个参考信号与SUT配对，一个不可训练的PEAQ风格前端（ITU-R BS.1387）计算J = 11个模型输出变量（MOV）组成的特征向量，描述带宽限制、噪声以及时间或频谱失真等感知相关退化。这11个特征对每个信号配对只计算一次，由所有回归器共享。
该特征向量被送入K个低容量回归器。每个成员都在从训练集D = {(z_i, m_i)}中有放回抽取的不同bootstrap样本上训练，其中m_i是刺激i的观测主观MOS，由其在0到100尺度上的L_i个听者评分取均值得到。论文报告K = 50个基回归器是精度与复杂度之间的实用折中，使用多元自适应回归样条（MARS），因其精度与复杂度权衡和平滑行为而被选中。校准之前，成员输出之间的差异反映了所学MOS映射对bootstrap重采样训练数据的敏感程度。
校准让集成离散度对齐听者离散度
原始集成均值相对主观评分可能有偏或尺度不当，原始集成宽度也未必匹配主观评分变异性。因此论文在训练数据库上拟合一次全局均值与宽度校准。仿射变换s'_k = a s_k + b把集成均值映射为mu' = a mu + b，并把标准差按|a|缩放；参数a和b通过最小二乘对观测MOS拟合。
第二步把仿射映射后成员分数围绕其均值的偏差，按全局宽度因子c_std重新缩放，该因子估计为各校准刺激上主观标准差与|a|乘集成标准差之比的中位数。这保留了仿射校准后的算术均值，同时缩放成员分数的标准差。校准后的成员分数构成估计的经验得分分布，点估计（校准成员的均值）和置信区间都由此计算。
面板匹配置信区间模拟同等规模的听音面板
为了把校准后的模型分布与包含L名听者的听音测试比较，方法模拟B = 4000个同等规模的伪面板。每次bootstrap抽取时，校准成员分数被有放回采样并取平均，名义95%面板匹配集成置信区间由所得伪面板均值的经验分位数给出。在论文的人工听者假设下，该区间估计的是反复抽取L个校准模型听者面板会得到的变异。
论文评估该假设三个要求递增的含义：经验MOS覆盖率、边际得分分布的一致性，以及配对显著性决策的一致性。覆盖率衡量的是面板匹配集成置信区间包含对应主观MOS的条目比例，越接近名义0.95表示覆盖率越好。分布一致性用每个刺激的两样本Kolmogorov-Smirnov统计量D_KS的均值衡量，值越小表示主观与集成累积分布函数之间的最坏情况失配越小。
校准提升覆盖率且不损害MOS精度
校准在每个评估数据集上都提升了覆盖率：SEBASS-DB子集上从0.28-0.31升到0.69-0.82，ODAQ上从0.34升到0.47，USAC上从0.14-0.22升到0.33-0.43。它还整体降低了D_KS，表明预测得分分布与主观得分分布更一致。但覆盖率仍低于名义0.95，在USAC上尤其如此；作者部分归因于为可复现训练而刻意使用公开的SEBASS-DB，代价是与USAC所代表的编解码器、码率和内容条件不匹配。
仿射校准对点估计MOS精度影响很小；PCC和RMSE的小幅变化来自把成员分数裁剪到MUSHRA尺度。在共同的USAC1-3集合上，校准集成的PCC/RMSE分别为0.93/5.67、0.80/8.39和0.77/9.52，而使用CutMix的GML报告的PCC分别为0.88、0.89和0.92。论文指出该方法在USAC1上有竞争力，但在USAC2和USAC3上弱于GML；同时它只使用11个固定PEAQ特征和在公开SEBASS-DB（11 000条评分）上训练的低容量MARS回归器，而GML使用来自内部、面向编解码器语料的67 505条个体评分，以及一个在NVIDIA A100 GPU上训练的1525万参数网络。
校准后配对显著性决策更保守
对于听音测试风格的显著差异，先把每个听者-条件配对的评分跨条目取平均，再计算以条件为因子的单因素重复测量ANOVA，随后对所有条件配对做Bonferroni校正的配对t检验，alpha = 0.05。同一流程也应用于集成：把每个集成成员-条件配对的评分跨条目取平均；由于集成成员数可能与听者数不同，成员被有放回bootstrap到主观面板规模，当至少一半bootstrap重复给出Bonferroni校正后的显著差异时，该配对被视为客观显著。
校准使这些配对检验更保守：假阳性率下降或不变，但显著配对召回率在每个数据集上都下降。论文将其解释为宽度调整的结果。对条件A和B，校准保留其均值对比，同时把配对差异中居中后的成员变异按c_std缩放；由于拟合出的c_std大于1，显著性变得更不可能。作者得出结论：匹配边际得分分布不足以支持配对决策，后者还依赖跨条件协方差。当配对数量很少时这些比率也可能不稳定：SAOC-DB只有16个主观显著配对，而USAC1-3分别只有两个、一个和一个非显著配对。
不确定性感知指标的适用范围与边界
论文自身的范围声明是：该集成尚不能替代面板级假设检验，但它确实提供了一个不确定性感知的客观音频质量指标：其均值估计MOS，而条目相关的离散度和近似置信区间有助于识别需要主观验证的预测。这些分布还支持近似配对比较，但尚不支持可靠的显著性推断。
作者指出，可靠的听音测试推断需要用听者级数据分别校准边际变异性和跨条件协方差，人工听者面板应保留当前的面板规模匹配，同时保留听者内依赖性和目标测试设计。校准和决策阈值随后应在独立听音测试上针对置信区间覆盖率、假阳性控制和统计功效进行验证。未来工作被描述为研究跨条件协方差和条件相关不确定性的听者级校准，并引入域外检测，使系统在其不确定性估计不太可能迁移时能自动推迟。
实际优先级是不确定性筛查而非显著性检验
论文中最具决策相关性的区分，是同一校准分布的两种用途。用于不确定性筛查时，校准集成是有用的：覆盖率在每个评估数据集上都上升，D_KS整体下降，MOS精度得以保持，因此条目相关的离散度和近似置信区间可以标出哪些预测最需要主观验证。用于配对显著性推断时，同一分布尚不可靠，因为大于1的全局宽度因子c_std使校准后的配对检验更保守，并在每个数据集上降低显著配对召回率。
论文自身的优先级排序正来自这一区分：用集成把听音测试导向不确定的条件，并把校准后的边际分布当作筛查工具，而不是面板级推断的替代品。仍低于0.95的覆盖率差距，尤其在USAC上，是这种筛查价值最弱之处的最清晰信号，作者将其与公开SEBASS-DB训练数据和USAC所代表的编解码器、码率及内容条件之间的不匹配联系起来。
本文引用的文献
Ensemble-Based Perceptual Audio Quality Assessment with Confidence Intervals
在11个固定PEAQ特征上使用低容量回归器的装袋集成，配合全局均值与宽度校准，产生条目相关得分分布和面板规模匹配的95%置信区间；校准在每个评估数据集上提升置信区间覆盖率和分布一致性，同时保持MOS精度，但配对显著性推断仍不可靠。