研究阶段已完成。现在输出最终的结构化 Markdown 评审。

Paper Review: Adaptive Momentum Enhanced Distributed Multichannel Active Noise Control for Faster Convergence under Communication Delays

论文类型: 方法型

本论文针对已有 ASSS-MGDFxLMS 算法在通信延迟下收敛变慢的问题，引入基于余弦相似度的自适应动量项，提出 AMAS-MGDFxLMS 算法。属于在已有分布式 ANC 框架上叠加加速技巧的方法型论文。

公理审查结果

公理一：对象公理

• 判定: ✅
• 分数: 8
• 依据: DMCANC 在通信延迟下的稳定性-收敛速度权衡是真实工程问题。ASSS-MGDFxLMS 通过 auto-shrink step size 换稳定性导致收敛变慢，这一 trade-off 在原文 Eq.(7)-(9) 中清晰可操作化定义。对象真实、必要、可测量。问题范围相对窄（仅针对 ASSS-MGDFxLMS 的一个已知缺点），但 DMCANC 的延迟鲁棒性对真实部署有社区价值。
• Wiki 证据: OMC wiki 无记录。free-search 返回该作者团队先前工作 arXiv:2503.17634 (ASSS-MGDFxLMS, IEEE TASLP 2025) 与 arXiv:2601.15653 (DMCANC 异步通信, ICASSP 2026)，证实问题真实且为该团队持续研究方向。

公理二：识别公理

• 判定: ⚠️
• 分数: 5
• 依据: 设置了 MGDFxLMS / ASSS-MGDFxLMS / FMAS（固定动量）/ AMAS（自适应动量）四组对比，FMAS 对动量因子敏感的现象确实支持”自适应”的必要性。但存在缺口：(1) 没有对 β₀、p 这两个新引入超参的敏感性分析；(2) 没有把 cosine similarity 和 power-law scaling 两个组件分别消融；(3) 没有与标准 Adam 类自适应方法或 Nesterov 动量对比；(4) 结论”自适应动量带来加速”同时改变了动量引入方式和调节规则，未完全隔离。
• Wiki 证据: OMC wiki 无记录。paper-wiki 无记录。free-search 返回 Shi et al. arXiv:2308.03684 “Momentum Multichannel Normalized FxLMS” 已在 MCANC 用动量，作者引用但未与之定量对比。

公理三：独立性公理

• 判定: ✅
• 分数: 8
• 依据: 主/次声学路径在真实消声室测量，参考信号为宽带 100–1000 Hz，ANSE 指标为 [31] 中标准定义。无 reward-evaluation 重叠、无 synthetic-闭环、无 judge 污染。评测独立性满足。
• Wiki 证据: OMC wiki 无记录。free-search 未发现评测方法独立性争议。

公理四：压缩公理

• 判定: ⚠️
• 分数: 4
• 依据: 方法本质是”标准动量项 + cosine similarity 自适应系数 + power-law scaling”三件套迁移到 ASSS-MGDFxLMS。cosine similarity 自适应动量系数来自 Rashidi et al. ECML 2020（作者引用 [32]）；power-law scaling 来自 GRAMS, Cao et al. 2024（引用 [34]）；动量用于 MCANC 来自 Shi et al. 2023（arXiv:2308.03684）。新增计算开销小（~4Lw+2 mult），但压缩价值有限：没有新的机制解释、问题重构或经验规律，只是把已知技巧组合到一个子领域。命名膨胀：AMAS-MGDFxLMS 又增加一个缩写。
• Wiki 证据: OMC wiki 无记录。free-search 明确返回 Rashidi 2020 “Adaptive Momentum Coefficient for Neural Network Optimization” 与 GRAMS (Cao 2024) 为两个组件的来源，与本论文引用一致，证实组件非原创。

公理五：效用公理

• 判定: ⚠️
• 分数: 4
• 依据: 仿真仅 2 个场景（突发延迟变化、波动网络），6 节点单一声学配置。结果以 Fig.3/Fig.4 的 ANSE 曲线呈现，全文无任何数值表格——没有报告稳态 ANSE dB 值、收敛时间常数、相对加速倍数等定量指标。baseline 仅限作者自家算法谱系（MGDFxLMS→ASSS→FMAS→AMAS），未与外部最新 DMCANC 方法（如 ADFxLMS、bidirectional communication [29]）对比。绝对降噪量、对真实噪声类型的泛化性缺失。”faster convergence” 的 claim 仅靠目测曲线，缺乏量化。
• Wiki 证据: OMC wiki 无记录。paper-wiki 无记录。free-search 返回 ADFxLMS [28]、bidirectional diffusion [29]、in-chip 实验 [30] 等同领域 baseline，论文未与之比较。

公理六：新颖性公理

• 判定: ⚠️
• 分数: 4
• 依据: 三个组件均已有先前工作：(a) 动量用于 MCANC——Shi et al. 2023；(b) 自适应动量系数 via cosine similarity——Rashidi et al. 2020；(c) power-law scaling——GRAMS 2024。本论文贡献为三者组合 + 迁移到 DMCANC 延迟场景。跨领域迁移确实解决了 DMCANC 真实问题（延迟下固定动量失稳），但未证明组件间 synergy，未给出迁移后为何需要自适应（而非直接搬 Rashidi 公式）的机制解释。属于 A+B+C 简单组合，且必要性 ablation 不足。
• Wiki 证据: OMC wiki 无记录。free-search 明确返回三个组件来源论文，证实非原创。同期工作 arXiv:2601.15653 (2026-01) 为同团队，不扣分。

公理七：可复现公理

• 判定: ⚠️
• 分数: 5
• 依据: 给出滤波器长度 (256/33/512)、采样率 (16 kHz)、step size (1e-7)、p=0.25 等参数。但：(1) 无代码开源声明；(2) “measured in a real noise chamber” 的声学路径数据未发布；(3) 未说明 β₀ 估计程序、cosine similarity 数值稳定处理；(4) 5 页 workshop/letter 体量，细节不足以独立复现。
• Wiki 证据: OMC wiki 无记录。论文未提供代码链接。

日报摘要

• Strength: 针对真实 DMCANC 延迟-收敛 trade-off，将自适应动量（cosine similarity + power-law scaling）以低额外开销（~4Lw+2 mult/node）嵌入 ASSS-MGDFxLMS，在突发和波动延迟下均保持稳定且目测快于 ASSS-MGDFxLMS。
• Weakness: 全文无任何定量结果表格，仅 2 个仿真场景、6 节点单一声学配置，baseline 仅限作者自家算法谱系；三个核心组件（MCANC 动量、自适应动量系数、power-law scaling）均有先前工作，组合必要性未通过组件级 ablation 证明。

总评

• 科学价值: 低 — 未识别新机制，未压缩已有经验，仅做已知技巧的组合迁移。
• 方法价值: 中 — 针对真实工程痛点给出可工作的小增量方案，额外开销低，实用。
• 社区价值: 低 — DMCANC 子领域窄，结果不可量化、不可独立复现，难以作为后续工作的可靠基准。

打分

加权总分: 5.10/10（加权分之和 48.5 / 权重之和 9.5） 最终建议: Borderline