我已经有了足够的事实锚点。论文全文已阅读，且之前的工作已经确认（GenRep 排名第 2，LDN 由 Wilkinghoff 等人提出，Mondrian/group-conditional conformal 是已知的，MetaOD 是已有的）。现在开始撰写评审。

论文评审：Training-Free Model Selection and Domain-Aware Score Calibration for First-Shot Anomalous Sound Detection

论文类型: 方法型 + 分析型混合

论文提出 DACᴼ——一个 training-free 后处理层（per-domain quantile calibration with shrinkage + label-free CV domain-balance criterion + dev-side veto），并附带一个跨三年的分析：dev Ω 不预测 eval Ω；well-balanced degenerate 配置总是存在；criterion 的迁移性仅在 2025 年 robust。主体是方法论文，但有显著的分析型成分。

公理审查结果

公理一：对象公理

• 判定: ✅
• 分数: 8
• 依据: 对象真实且必要。DCASE 2025 Task 2 是社区公开 challenge，organizer 论文 [1] 明确指出两个未解决问题：source/target AUC 负相关（top 20 teams 中只有 4 个同时超过两个 baseline），dev→eval 不迁移。这是真实、可操作化、社区投入资源的目标。first-shot + 单阈值 + 990/10 不均衡 + domain withheld 的设定有独立工程价值。指标 Ω（AUC_s, AUC_t, pAUC 的 harmonic mean）是官方指标，不是 proxy 偷换。论文 reframe 这两个问题为”calibration + model selection”，reframe 本身需要后续公理验证，但作为研究对象，问题真实清楚。
• Wiki 证据: free-search 确认 DCASE 2025 Task 2 organizer paper (arXiv:2506.10097) 和 GenRep (Saengthong)、SJTU-AITHU、Fujimura 等团队技术报告，证实这是一个活跃的、多团队投入的社区任务。paper-wiki 和 wiki_query 均无返回（工具执行成功但库为空），用 free-search 补充。

公理二：识别公理

• 判定: ⚠️
• 分数: 6
• 依据: 部分满足。论文确实做了关键变量隔离：partial Spearman 把 log(m+1) 和 family membership 控制后 residual +0.71，证明 criterion 不只是重读 m。但也存在识别缺口：(1) 主结论”dev Ω 不预测 eval Ω”和”criterion 预测 eval Ω”用同一组 45 配置 + 同一 BEATs backbone，correlation 是 in-sample 的；三年复制中只有 2025 在 family-block bootstrap 下 CI 排除 0，2023 CI 跨 0、2024 raw 相关 −0.10 不显著——作者诚实披露这点，但这就意味着”criterion transfers”的因果识别只在一年成立。(2) 论文自承 veto 是观察到 EAT 失败后才引入的（”not a pre-registered rule”），这是 post-hoc 修补，削弱了”veto 是必要机制”的识别。(3) DACᴼ on LDN-ratio K=1 (61.05) 与 LDN-ratio alone (61.04) 统计不可区分——作者诚实承认 stack 不加点，criterion 只是”选中了它”——但这就意味着主标题里的”calibration”在 2025 最强配置上贡献为零，真正起作用的是 LDN。识别”哪个组件贡献什么”在最强结果上是模糊的。
• Wiki 证据: free-search 确认 LDN (Wilkinghoff et al. 2025, arXiv:2509.10951) 是已发表的强 baseline，论文用 clean-room 重实现比较，相对公平但 readout 不同（768-d temporal mean vs 6144-d flattened patch），绝对 delta 减半，作者披露。无 wiki_query 返回。

公理三：独立性公理

• 判定: ✅
• 分数: 8
• 依据: 独立性是这篇论文的强项。selection signal（criterion C）只用 training normals（LOO）+ dev labels（仅 veto，粗粒度 bottom-decile），从构造上不接触 evaluation ground truth。论文明确审计 leakage：data loader 把 ground truth 只注入 metric module，selection path 只消费 training embeddings。headline 数字由 official evaluator 在 exported per-clip scores 上 end-to-end 复现。没有 synthetic pipeline，没有 self-judge 循环。eval ground truth 仅用于 metric 计算，从不用于 selection——这是论文反复强调的 firewall。Pre-registered 2026 forward test 在 ground truth 发布前冻结 artifact hash，进一步强化独立性。
• Wiki 证据: 无 wiki 记录。free-search 确认 DCASE official evaluator 仓库 (nttcslab/dcase2025_task2_evaluator) 是公开的，独立于作者。

公理四：压缩公理

• 判定: ⚠️
• 分数: 6
• 依据: 混合。论文在 related work 中非常诚实地压缩了自身贡献：(a) Stage-2 是 Mondrian/group-conditional conformal 的 two-group special case，作者明确说”should be read as a two-group special case rather than a new mechanism”；(b) shrinkage form 是经典 m-estimate / partial-pooling estimator (Cestnik 1990, Gelman & Hill 2007) 应用于 quantile maps；(c) soft latent-group membership 是 localized conformal prediction 的 special case。这种诚实是加分项。但压缩后剩下的真正新东西只有两点：把 m 当作 selection axis（”frontier”），和用 KS distance between held-out source/target normals 作为 label-free selection criterion。这两点都是工程性 reframing 而非机制创新。复杂度：45–51 配置 grid + 10 splits CV + veto + soft/hard assignment × k × m × 5 normalization families，是一个相当大的搜索空间，虽然每个组件都标准。”frontier” 这个词有点命名膨胀（它就是 m 的一个 sweep）。
• Wiki 证据: free-search 确认 Mondrian conformal (Vovk 2005)、class-conditional conformal (Ding et al. 2023)、m-estimate (Cestnik 1990)、localized conformal (Guan 2023) 均为已建立工作，论文引用准确。

公理五：效用公理

• 判定: ⚠️
• 分数: 5
• 依据: 效用有限且诚实披露。绝对值：criterion-selected 59.34 → extended grid 61.05，在 35-team leaderboard 排第 4。但：(1) Top 3 teams 61.63/61.57/61.20，论文 61.05 没有超过最强 team，且作者承认”no ensembling, no fine-tuning”——这是 training-free 系统的天花板，相对强 baseline 是公平赢的，但绝对领先不大。(2) 三年复制中，fixed full-equalization default (conf. soft m=0, k=1) 在 2023 和 2024 都 matches 或 beats criterion-based selection（2023: 63.68 vs guarded 63.52；2024: 57.69 vs 56.29）。这是论文自己披露的，意味着 criterion 的边际效用只在 2025 一年显著（+1.7 over fixed default），其余两年 fixed default 就够。作者把这个写进 conclusion，诚实，但这就把”方法效用”压缩成”在配置空间有 family-level 结构的年份，criterion 比 fixed default 多 1.7 分”——效用狭窄。(3) dev Ω 在 PANNs 上 +0.84 是 coincidentally optimal，criterion 在 PANNs 上反而 −1.2 输给 dev selection——作者承认”one cannot know in advance which regime applies”。(4) pAUC 几乎整个积分范围是外推（10-clip 数据支持只到 1/11），realized FPR 0.21 vs nominal 0.10，anti-conservative——校准在它声称要改善的 FPR 锚点上实际失效。综合：绝对值可用（rank 4），相对提升窄（1.7–3.5），只在一年显著，核心 FPR 锚点失效。
• Wiki 证据: free-search 确认 DCASE 2025 leaderboard 顶部 61.63/61.57/61.20，GenRep (Saengthong) 第 2，与论文引用一致。SJTU-AITHU 等强 team 存在但论文未逐一对比 team 技术报告细节。

公理六：新颖性公理

• 判定: ⚠️
• 分数: 5
• 依据: 真实增量有限。逐组件：(1) per-domain quantile calibration = Mondrian conformal 的 two-group special case（已建立）；(2) shrinkage toward pooled = m-estimate / partial-pooling（1990 年经典）；(3) soft domain assignment = localized conformal（已建立）；(4) KS distance as label-free balance criterion = 新的，但 KS 统计量本身和 hold-out CV 都是标准工具，组合是工程性的；(5) 把 m 当 selection axis = 新的 reframing，但”frontier”本质是 hyperparameter sweep + 一个 surrogate 信号，不是机制创新；(6) viability veto = bottom-decile filter on dev Ω，是标准 early-stopping/filter 思想。论文自己说”the method-level contribution is treating the pooling strength m as a selection axis—the frontier—rather than any single ingredient”。这是一个 reframing + 一个组合，不是新机制。跨领域迁移不适用（全部在 ASD 内）。论文没有 ablation 证明每个组件 synergy（DACᴼ on LDN 与 LDN alone 不可区分，说明 calibration stack 在最强点上 synergy≈0）。诚实的 novelty 是有的（label-free criterion for first-shot ASD operating-point balance），但被压缩到工程层。
• Wiki 证据: free-search 确认 MetaOD (Zhao et al. NeurIPS 2021) 是 unsupervised model selection 的已有 lineage，论文引用并区分（MetaOD 用 prior labeled collections，本文用 machine’s own training normals）。time-series AD 的 surrogate-signal ranking (Goswami et al. ICLR 2023) 也被引用。concurrent work Wilkinghoff et al. 2026 (arXiv:2602.18777) 是同期（<2 月），按规则不扣分。

公理七：可复现公理

• 判定: ✅
• 分数: 9
• 依据: 复现性是这篇论文最强的维度。代码 + per-machine CSVs + diagnostics + 每个统计的脚本（bootstrap, permutation, FPR coverage, criterion floor, differential metric test）公开在 https://github.com/polestvr/daco-experiments。Backbone checkpoint SHA-256 pin、environment lock、configuration manifest 都释放。per-clip scores 对每个出现在表中的 configuration 都导出，可被 official evaluator 直接验证——作者声称 2000-trial randomized differential test 与 official evaluator 偏差为 0。DCASE 数据集全部 Zenodo 公开。LDN 用 clean-room reimplementation（AGPL 代码未consulted），从 published equations 重做，并披露 readout 差异。2026 forward test 的 PREREGISTRATION.md 公开冻结。唯一轻微扣分：veto 的 meta-choice（δ∈[3,8]）是在观察到 EAT 失败后选的，虽然披露但不是 pre-registered。
• Wiki 证据: 无 wiki 记录。GitHub repo 和 Zenodo records 论文中给出明确 ID（15097779 等），可独立验证。

总评

• 科学价值: 中 — 把两个 organizer-reported failure mode reframe 为 calibration + model selection，并在三年数据上诚实地 bound 了 claim 的范围（仅 2025 robust），但 reframe 本身的机制创新有限，主要由经验观察驱动。
• 方法价值: 中 — DACᴼ 层在 2025 把 training-free 系统从 rank 23 提到 rank 4，但 fixed default 在两年里一样好，方法的边际价值集中在一年；最强配置上 calibration stack 与 LDN alone 统计不可区分。
• 社区价值: 中高 — 诚实诊断了 dev→eval non-transfer 在三年都成立，well-balanced degenerate configs 总是存在，这两个负结果 + pre-registered 2026 forward test + 全套复现工件对 DCASE 社区有持续参考价值。

打分

加权总分: 5.79/10（加权分之和 60.0 / 权重之和 9.5） 最终建议: Borderline 5-6.5

核心评审总结：这是一篇诚实、复现性极强、独立性问题处理得当的论文，对象真实必要。但它的方法新颖性是 reframing 级而非机制级，效用集中在单一年份（2025）且在另外两年被 fixed default 匹配或击败，最强配置上 calibration 贡献统计为零，识别因果在三年中只有一年 robust。按 7-axiom 严格判定，加权总分 5.79，落在 Borderline 区间。建议接收 conditional on 2026 forward test 结果——若 criterion 在 2026 outperform fixed default，则升为 Weak Accept；若不行，则降为 Weak Reject。