我已经有了足够的事实锚点。已确定的关键现有工作：
L_group 是一种变体。现在我已经掌握了完整论文内容和外部事实锚点。接下来，我将按照七条公理撰写结构化的评审意见。
论文主体是对 SongEval 音乐美学评估模型的 genre-induced shortcut learning 进行诊断分析（第 3 节），并提出一个训练目标来缓解该问题（第 4-5 节）。核心贡献偏向分析型：识别失败模式并验证其系统性；方法部分是分析的自然延伸。审查以分析型为主尺，兼顾方法型要求。
| 依据: 对象是”音乐美学评估模型中的 genre-induced shortcut learning”。该现象真实存在：SongEval 训练数据严重不平衡（pop 占 1131/2693 ≈ 42%，Table 1），且 genre 与平均分强相关（pop 3.50 vs jazz 2.44）。问题可操作化：通过条件互信息 I_p̂(ŷ;ẑ_g | ẑ_q) 量化 shortcut 依赖（式 7），并通过 genre-balanced 评测集（MTG-Jamendo, M6）和 pairwise preference（CMI）检验。问题定义清楚。 |
但对象公理有两个缺口：(1) 论文声称这是”previously underexplored failure mode”，但 shortcut learning 在分类/回归中是经典问题（参考 “Rectifying Shortcut Behaviors in Preference-based Reward Learning”, 2510.19050），将其迁移到音乐评估是新场景但非新机制。论文没有讨论为什么音乐领域的 genre shortcut 与一般 shortcut learning 有本质不同。(2) “aesthetics”概念本身定义模糊——论文用 SongEval 五维平均分作为 aesthetics 的操作化定义，但五维相关性 >0.95 只说明冗余，不说明”平均”就是 aesthetics 的正确构造。论文未独立验证该操作化定义的效度。
依据: 诊断分析部分（第 3 节）在因果识别上做得较好：通过 genre-balanced 评测集控制 genre imbalance 和 production quality 两个混淆因素后，仍观察到显著 genre effect（ANOVA p<0.001），说明 shortcut 不是纯数据不平衡导致。进一步用 pop-proximity classifier 的 logits 与预测分做 Spearman 相关（M6 0.88, MTG-Jamendo 0.81），提供了 shortcut 方向的证据。
但方法部分（第 4-5 节）的识别较弱：(1) 消融只报告了 focal-only 和 group-only 的总体准确率，没有报告各组件对 shortcut 方向（pop-proximity SRCC）的独立贡献。读者无法判断是 focal 还是 group regularization 在减少 genre shortcut 上更有效，还是两者有 synergy。(2) λ_group = 1×10^6 是极端大值，但没有讨论该超参的敏感性分析——如此大的正则系数可能本质上改变了优化几何，使方法等价于某种 group DRO 变体。论文没有隔离”hard sample reweighting”和”group-level performance balancing”这两个机制的独立因果效应。(3) 没有 comparison 到最简 baseline：如简单的 genre-balanced sampling（oversampling minority genre）或 stratified batch sampling。这些是计算成本几乎为零的对照。
依据: 评测独立性存在中等程度问题：(1) 训练数据 SongEval 的标签来自人类评分，评测 CMI-Pref 的人类标签也来自人类偏好——两者虽来自不同数据集，但都是”人类音乐偏好”这一同类信号源。论文没有讨论 CMI-Pref 标注者与 SongEval 标注者是否来自同一人群、同一标注协议。如果两者人群重叠或协议相似，则”提升对齐人类偏好”的结论有循环风险。(2) CMI-Pref-Pseudo 的标签是伪标签（pseudo-labeled），论文未说明伪标签来源模型是否与 SongEval 共享 backbone 或训练数据。如果伪标签来自另一个音乐评估模型，则评测独立性进一步削弱。(3) genre 标签来自 Qwen3-Omni (2509.17765)，一个多模态 LLM——这与被评估的 SongEval 无模型家族重叠，这部分独立性较好。
总体来看，核心训练目标（减少 genre shortcut）和最终评测（genre-stratified preference accuracy）之间没有直接构造闭环，但训练信号和评测信号都来自”人类音乐偏好”这一宏观来源，属于辅助指标与训练目标有部分重叠的 major 问题。
论文没有提供新的机制解释、问题重构或经验压缩。问题重构（把”shortcut learning”重构为”optimization capacity allocation imbalance across groups”）有一定新意，但这更像是叙事重构而非数学重构——focal loss 和 group regularization 分别对应 sample-level 和 group-level reweighting，这是已知的双层 reweighting 框架。λ_group = 1×10^6 的极端值暗示方法可能不是”温和的正则化”而是”主导项”，这削弱了”unified objective”的简洁性叙事。
命名膨胀风险：论文将组合称为”unified objective”，但实际上是两个独立 loss 项的相加，没有理论上的统一性（如共同的优化目标或对偶形式）。
依据: 效用结果是混合的：(1) 绝对提升幅度小：overall accuracy 从 0.687→0.715（CMI-Pref，+2.8pp）和 0.549→0.566（CMI-Pref-Pseudo，+1.7pp）。在 5-类别 pairwise comparison 上，随机基线为 0.5，SongEval baseline 0.687 已显著高于随机，但 0.715 的提升是否带来实践意义上的改变不明确。(2) Pop-proximity SRCC 从 0.88→0.68 (M6) 和 0.81→0.62 (MTG-Jamendo)——这是最强的结果，表明 genre shortcut 确实被削弱，但 0.62-0.68 的残余相关仍很高，说明 shortcut 未被消除只是减弱。(3) 逐对结果（Table 2 vs Table 3）显示很多 pair 的改善很小甚至变差：pop vs jazz 在 CMI-Pref 上 accuracy 从 0.879→0.848（下降），pop vs classical 从 0.709→0.696（下降）。论文声称”partially mitigated”是诚实的，但”consistent gains”的说法被这些下降削弱。(4) 消融报告过于简略（”Due to space constraints, we report only the overall results”）——这导致无法评估方法在关键子指标上的组件贡献。
Baseline 覆盖度不足：只与 SongEval 原版 MSE 训练比较，未与 group DRO、stratified sampling、简单的 class-balanced loss 等强 baseline 比较。论文分析的”问题”很清楚，但”解决方案”的效用证据不够强。
依据: 新颖性来自两部分：(A) 诊断分析——将 shortcut learning 框架应用于音乐美学评估并系统诊断，这一应用场景是新的。诊断流程（training distribution analysis → controlled evaluation → preference comparison → pop-direction alignment）设计合理，可作为该领域的分析范式。(B) 方法——focal regression + group EMA regularization 的组合，两个组件分别已有，组合后用于音乐评估的 genre debiasing 是新应用，但没有新机制。
关键问题：论文没有证明两个组件之间有 synergy（交互增益）。消融数据显示 focal-only (0.699) 和 group-only (0.705) 合起来得到 0.715——0.699+0.705 的简单平均约 0.702，而组合 0.715 的增益约 +1.3pp，这可能是 additive 而非 synergistic。论文声称”unified manner”但没有定量证明 synergy 存在。
分析部分的新颖性更高（首次系统诊断音乐评估模型的 genre shortcut），方法部分的新颖性较低（已有技术的应用组合）。按”跨领域迁移 + 应用组合”标准，新颖性部分满足但缺口明显。
依据: 论文提供了较多训练细节：Adam optimizer, lr=3e-5, 30 epochs, batch size=1 (full-length audio), 8× NVIDIA H20 GPUs, γ=2, λ_group=1e6, 5-epoch linear warmup。SongEval 数据集和代码公开 (HuggingFace: ASLP-lab/SongEval, GitHub: ASLP-lab/SongEval)。MTG-Jamendo 和 M6 是公开数据集。CMI (2603.00610) 也公开。
缺口：(1) 论文没有明确声明代码会开源（未提及 anonymous repo 或 code release plan）。(2) genre-balanced evaluation subsets 的具体曲目列表未提供——MTG-Jamendo 50 samples × 10 genres 和 M6 100 samples × 10 genres 的采样规则未完全说明，这影响可复现性。(3) Qwen3-Omni 用于 genre labeling 的 prompt/inference settings 未提供。(4) λ_group=1e6 的极端值和 EMA decay β 的值未在正文中明确说明（β 只在公式中出现）。(5) pop-proximity classifier 的架构和训练细节未提供。
核心实验可大体复现（数据、模型、评测集均公开），但若干关键细节缺失使得完全复现需要额外工程努力。
| Axiom | 判定 | 分数 | 权重 | 加权分 |
|---|---|---|---|---|
| 一 对象公理 | ⚠️ | 6 | 1.0 | 6.0 |
| 二 识别公理 | ⚠️ | 5 | 1.5 | 7.5 |
| 三 独立性公理 | ⚠️ | 5 | 1.0 | 5.0 |
| 四 压缩公理 | ⚠️ | 4 | 1.0 | 4.0 |
| 五 效用公理 | ⚠️ | 5 | 2.0 | 10.0 |
| 六 新颖性公理 | ⚠️ | 5 | 2.0 | 10.0 |
| 七 可复现公理 | ⚠️ | 6 | 1.0 | 6.0 |
加权总分: 4.95/10（加权分之和 48.5 / 权重之和 9.5） 最终建议: Borderline 5-6.5
审查备注: