APRIL：呼吸音分类的免回放域增量学习框架
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
呼吸音自动分类可用于连续、非侵入的呼吸评估，但长期部署会遇到域偏移：录音设备更新、采集时间段变化都会改变声学分布。当隐私与治理规定不允许回放历史数据时，顺序学习容易覆盖此前学到的知识。为每个域保留独立专家可以避免参数干扰，但在声学分布重叠、又没有域标签的推理场景下，很难挑出正确的专家。APRIL 正是针对这一两难提出的免样本域增量框架。
方法构成
框架建立在共享且冻结的 BEATs 骨干之上，新域到来时顺序继承并隔离低秩专家，从而在不改动早期模型的前提下完成适配。推理阶段由多级原型路由器先检索出两个候选专家，再把域路由后验与分类置信度结合起来决定最终使用哪个模型，两者的权重随匹配歧义度自适应调整——歧义越大，越依赖置信度信息来裁决。
基准与结果
作者在 ICBHI 和 SPRSound 两个数据集上建立了标准化的设备增量与时间增量基准，并分别按正向与反向域顺序评测，每个设置跑五个随机种子。APRIL 在对比的持续学习方法中最终会话平均 Score 最高：ICBHI 正反序列为 64.4% 与 65.4%，SPRSound 为 83.1% 与 82.2%。更关键的是，所有协议下平均遗忘都保持在 1.0% 以下，说明在不回放数据的情况下仍能兼顾新域适配与旧知识保留。
适用场景
论文将这一方案定位为可在真实医疗环境中跨设备、跨时期持续部署呼吸音分类的隐私友好范式。其价值在于绕开历史数据留存这一合规障碍，同时用专家隔离与路由机制控制遗忘；不过材料给出的评测限于 ICBHI 与 SPRSound 两个数据集及作者自建的增量基准，尚未涉及其他音频任务或更大规模的临床验证。
为什么值得看
免回放、低遗忘的域增量方案，对受隐私约束的医疗音频长期部署有直接参考价值。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。