我现在已有足够的信息来输出审稿意见。关键发现总结：

1. 全文已阅读：742 行，涵盖所有章节（摘要、引言、相关工作、方法、实验、结论、参考文献）。
2. Wiki 记录：OMC Wiki 和 paper-wiki 均未检索到 AAD/CRF 相关记录。已通过自由学术搜索进行了事实锚定。
3. 同期工作：arXiv 2602.13447（2026 年 2 月），即本论文（2026 年 7 月）之前 5 个月——通过 EM 提出 Markov 切换模型（MSM）用于样本级 AAD。这是一个重要的前置/同期工作。同期窗口期为 2 个月，但这篇论文早 5 个月，因此它不属于同期工作——它是一项先前工作，必须进行讨论或比较。
4. Heintz 等人（arXiv 2506.24024） — HMM 后处理基准，已被正确引用。
5. LSTM-CRF（Ma & Hovy 2016）、Neural HMM（Mehta 等人 2022）——这些序列判别技术已在 NLP/TTS 领域确立，论文中也正确引用了这些文献。

Paper Review: End-to-End Markov State Sequence Learning for Auditory Attention Decoding

论文类型: 方法型

该论文提出了一种端到端 CRF 训练框架，用于将 AAD 视为注意力状态序列估计，并提出了 ESCNet 相关主干网络。这是一篇方法论文，其核心贡献在于训练范式和主干架构。

公理审查结果

公理一：对象公理

• 判定: ✅
• 分数: 8
• 依据: AAD (Auditory Attention Decoding) 是一个经过充分研究且真实存在的问题，对神经导向助听器至关重要。该论文准确指出了一个真实且公认的结构性不匹配问题：独立窗口训练与注意力状态的持续性本质之间的矛盾。这一动机在先前的文献（Geirnaert 等人 2021；Heintz 等人 2025）中已有充分论证。核心概念（注意力状态序列、发射主干网络、转换先验）具有清晰的操作化定义。论文明确将其评估范围限定为两个候选说话人和头皮 EEG，并承认这一局限性（第六节）。在 AVGC（动态）和 KUL/USTC（静态）上的评估目标与所声称的贡献相符。该对象是真实的、必要的且值得社区关注。
• Wiki 证据: OMC Wiki 无记录；自由搜索确认 AAD 是一个活跃的研究领域，有多篇近期论文（AADNet, MHANet, S2M-Former, ICASSP 挑战赛），证明该对象是一个活跃的、具有社区价值的问题。没有迹象表明该问题微不足道或已经解决。

公理二：识别公理

• 判定: ✅
• 分数: 8
• 依据: 论文包含一个精心设计的消融实验（表 III），该实验清晰地分离了三个因素：(a) 时序平滑（HMM 后处理 vs. 原始 CE）、(b) 序列感知发射学习（固定 q 的 CRF vs. 带有固定 q0 的 HMM 后处理）以及 (c) 转换率适配（学习 q vs. 固定 q）。关键点在于，表 III 中的固定 q CRF 控制（86.0% 因果 vs. 77.5% HMM 后处理）隔离了序列级发射学习的收益，而不受转换率适配的影响——这是一个清晰的因果识别。论文比较了四种异构主干网络（ESCNet, AADNet, LSTM, Attn-GRU）以显示该框架并非针对特定架构。所有方法都使用相同的预处理、折叠和窗口标签。HMM 后处理和 CRF 使用相同的转换结构，不同之处在于训练范式。这是公平且隔离良好的比较。
• Wiki 证据: OMC Wiki 无记录。自由搜索证实 LSTM-CRF 和序列判别训练在 NLP/语音领域已有成熟先例（Ma & Hovy 2016; Povey 等人 2008），确认因果机制（通过 CRF 损失进行的序列级反向传播）在理论上是合理的，且消融设计在此处正确应用。

公理三：独立性公理

• 判定: ✅
• 分数: 8
• 依据: 评估协议是独立的：所有方法使用相同的参与者、LOTO 折叠、测试窗口、预处理和指标。CRF 和 HMM 后处理使用相同的转换结构；唯一不同的是训练范式。不存在训练-评估闭环污染：训练标签来自试验级注释（AVGC）或标准协议（KUL, USTC），与最终准确率指标无关。没有使用合成数据或基于模型的判断。统计测试（配对 Wilcoxon, Holm-Bonferroni 校正）在参与者层面配对方法，这是正确的独立性水平。在 78 个 AVGC 折叠和 KUL/USTC 折叠上的参与者级配对分析表明，增益并非由少数异常参与者驱动，尽管论文诚实地报告了一些折叠出现负差异（例如，sub12 为 -11.3%）。
• Wiki 证据: OMC Wiki 无记录。论文的评估数据（AVGC, KUL, USTC）是公开的、真实收集的 EEG 数据集，具有独立的协议——自由搜索已确认。没有发现评估闭环的担忧。

公理四：压缩公理

• 判定: ⚠️
• 分数: 6
• 依据: 该框架在概念上是一个简洁的重新构建：将 AAD 视为具有序列判别训练的发射/转换分解，而不是独立分类 + 后处理平滑。CRF 损失是标准的（方程 8 是标准的线性链 CRF 负对数似然），二状态马尔可夫模型是最小的，ESCNet 是轻量级的（没有分类头，参数无关的 PCC 评分）。这在问题重构和去耦方面显示出压缩价值。然而，存在两个担忧：(1) ESCNet 本质上是 AADNet 相关架构与 PCC 评分的结合——共享的卷积 EEG 编码器 + 共享的语音编码器 + 通道级 Pearson 相关，只不过保留时间轴并使用均值 PCC 而非学习分类器。这是一个相对渐进的架构变化，而非真正的压缩。(2) 论文将“端到端”作为框架标签，但该框架本质上是一个两阶段训练程序（CE 预热 + CRF 联合），并且在骨干网络上带有一个分块策略——虽然合理，但“端到端”在此处描述的是损失耦合，而非真正的单阶段训练。命名略显夸大，但并非错误。CRF + HMM 框架是成熟的工具；其新颖性在于迁移，而非压缩。
• Wiki 证据: OMC Wiki 无记录。自由搜索证实 LSTM-CRF (Ma & Hovy 2016) 和 Neural HMM (Mehta 等人 2022) 是已建立的序列判别方法；论文正确引用了它们。迁移到 AAD 是应用，而非方法论压缩。ESCNet 与 AADNet 和基于相关性的 AAD（de Cheveigné 等人 2018, Vandecappelle 等人 2021）密切相关，确认了 ESCNet 是一个渐进的架构变体，而非一种压缩。

公理五：效用公理

• 判定: ⚠️
• 分数: 6
• 依据: 绝对结果：在 AVGC 上使用 1s 窗口和 ESCNet 实现 86.5% 因果 / 92.4% 非因果，KUL 上为 87.7%，USTC 上为 82.9%。这些在 1s 设置下具有竞争力，但并非具有统治力。关键担忧：(1) 遗漏了最近且密切相关的基线：arXiv 2602.13447（Yao 等人，2026 年 2 月）——“基于样本级 EEG 的选择性听觉注意力解码与马尔可夫切换模型”提出了一种集成解码+平滑的 MSM，在样本级运行，声称具有“相当的准确率”但“更快的切换检测”。该论文发表于 2026 年 2 月，比本论文（2026 年 7 月）早 5 个月——超出了 2 个月的同期窗口。它应该被讨论和比较，但它在相关工作中完全缺失。这是一个重大的基线遗漏。(2) 在 2s 和 4s 窗口下，CRF 的优势与主干网络相关：表 I 显示，在 4s 非因果情况下，AADNet (84.6%) 和 LSTM (86.8%) 在 CRF 下实际上表现不如其 HMM 后处理 (93.3%, 91.3%)，这意味着在较长窗口下 CRF 框架存在负面迁移。论文诚实地报告了这一点，但它削弱了“CRF 训练普遍优于 HMM 后处理”的结论。(3) 切换延迟对于实时 HA 不可用：在 1s 下最佳的 ESCNet CRF 因果延迟为 23.3s——论文承认这“可能需要进一步优化以用于实时 HA。”对于神经导向 HA，如果延迟为 23s，86.5% 的准确率是不可用的。临床效用尚未得到证明。(4) 仅在 1s 处进行全面报告：KUL 和 USTC 仅在 1s 处进行报告，限制了跨窗口的效用证据。(5) 基线 AADNet, LSTM, Attn-GRU 是合理的且最近的，但论文未与任何 2025-2026 年基于 Transformer 的 AAD 模型（例如 ICASSP 2023 挑战赛获胜者，S2M-Former）进行比较——尽管这些可能使用不同的协议。
• Wiki 证据: OMC Wiki 无记录。自由搜索确认 arXiv 2602.13447（Yao 等人 2026 年 2 月）是一项密切相关的先前工作，本论文遗漏了它。自由搜索还确认 Heintz 等人 2025 (2506.24024) 被正确引用为 HMM 后处理基线。AADNet, Attn-GRU, LSTM 已被确认为合理的基线。在 AAD 领域未发现更强的 SOTA 在 1s 窗口下能明确超越 86.5% 因果 / 92.4% 非因果，因此论文的绝对数字在 1s 下处于竞争力范围内。

公理六：新颖性公理

• 判定: ⚠️
• 分数: 5
• 依据: 新颖性包含三个部分：(1) 问题重构（将 AAD 视为注意力状态序列估计而非独立窗口分类）——这是真实的，但部分工作已经完成：HMM 后处理 (Heintz 等人 2025, Van Eyndhoven 等人 2017) 已经将 AAD 视为具有转换先验的状态序列问题。论文的贡献是将马尔可夫结构移入训练中，这是从“后处理平滑”到“训练时监督”的真正转变。这是一种方法层面的新颖性，但并非概念上的首创——“序列判别训练优于后处理”在 NLP/语音领域已有共识（LSTM-CRF, boosted MMI）。(2) 用于 AAD 的 CRF 框架——将 CRF 应用于 AAD 是跨领域迁移。论文承认这借鉴了 LSTM-CRF 和 Neural HMM。机制（方程 7-8）是标准的线性链 CRF。新颖性在于应用，而非方法论。(3) ESCNet——保留了时间轴的 EEG-语音相关主干网络，具有来自两个均值 PCC 的反对称 logits。这相对于 AADNet（馈送向量相关性的学习分类器）是渐进的：ESCNet 使用均值 PCC 差异作为直接决策变量，没有学习头。这是一个简化，但不是一个重大创新。关键点：arXiv 2602.13447（Yao 等人 2026 年 2 月）已经提出了“使用马尔可夫切换模型将解码和平滑集成到单一概率框架中”——这是一个高度相似的先前工作（早 5 个月，超出同期窗口），本论文未引用。这显著削弱了“端到端马尔可夫 AAD”框架的新颖性主张，因为一篇同期先前的论文已经演示了使用马尔可夫模型进行集成解码+平滑。论文的新颖性主张“首次将序列监督引入 AAD 发射训练”可能仍然成立（Yao 等人使用 EM，而非 CRF 梯度反向传播到主干网络），但总体新颖性被缩小了。
• Wiki 证据: OMC Wiki 无记录。自由搜索明确确认 arXiv 2602.13447（Yao 等人 2026 年 2 月）是一项密切相关的先前工作（超出 2 个月同期窗口），提出了集成马尔可夫模型 AAD 解码。自由搜索确认 LSTM-CRF (Ma & Hovy 2016) 和 Neural HMM (Mehta 等人 2022) 已确立，论文引用了它们。ESCNet 与 AADNet (Nguyen 等人 2025) 和基于相关性的 AAD (de Cheveigné 等人 2018) 密切相关。

公理七：可复现公理

• 判定: ✅
• 分数: 8
• 依据: 论文明确指出代码可在 https://github.com/YusanX/AAD-CRF 获取。数据集（AVGC, KUL, USTC）是公开的。训练细节指定充分：50 个 epoch，AdamW，权重衰减 1e-4，梯度裁剪 1.0，余弦学习率，λ_CRF=5.0, λ_CE=0.5，特定主干的 LR，种子 42，RTX 4090。预处理指定（共同平均参考，1-9 Hz 带通，128 Hz 重采样）。窗口长度和步长已给出。基于参与者的 LOTO 协议定义明确。统计测试已指定（配对 Wilcoxon, Holm-Bonferroni）。没有闭源依赖。结果应该可以复现。轻微担忧：特定主干的 LR 需要从代码中提取，一些“参与者级细节因篇幅省略”（表 II 说明），但核心方法论是完全指定的。
• Wiki 证据: OMC Wiki 无记录。自由搜索确认 AVGC, KUL, USTC 是公开数据集，GitHub 链接已声明。未发现阻碍复现的闭源依赖。

日报摘要

• Strength: 精心设计的消融实验（表 III）通过固定转换率控制，将序列感知发射学习（+8.5% 因果准确率）与转换率适配（+0.5%）分离开来，证明 CRF 训练塑造了发射表示本身，而非仅仅平滑输出。
• Weakness: 遗漏了密切相关的先前工作 arXiv 2602.13447（Yao 等人，2026 年 2 月），该工作已经提出了在样本级进行集成马尔可夫模型 AAD 解码——早 5 个月，超出同期窗口——并且在 4s 窗口下，CRF 训练在 4 种主干网络中的 2 种上表现不如 HMM 后处理，且 23.3s 的切换延迟对于实时助听器不可用。

总评

• 科学价值: 中 — 真实的因果识别（消融实验干净地分离了机制）但概念上的新颖性部分被先前的集成马尔可夫 AAD 工作所抢占。
• 方法价值: 中 — 跨 4 种主干网络的干净框架评估，但 ESCNet 是相关 AAD 架构的渐进变体，且 CRF 损失是标准的。
• 社区价值: 中 — 代码已发布，评估协议良好，但 23.3s 的切换延迟和遗漏的基线限制了即时实用价值。

打分

加权总分: 6.42/10（加权分之和 64.0 / 权重之和 9.5） 最终建议: Borderline 5-6.5 (6.42)

总结理由：该论文具有清晰的因果识别设计（公理二），独立的评估（公理三），以及完全的可复现性（公理七）。然而，其新颖性受到一篇未引用的、早 5 个月的先前工作（arXiv 2602.13447）提出的集成马尔可夫模型 AAD 解码的影响，该工作超出了同期窗口。效用被削弱，因为在 2/4 种主干网络的 4s 窗口下 CRF 表现不如 HMM 后处理，且 23.3s 的切换延迟对于宣称的应用（实时助听器）不可用。ESCNet 主干网络相对于 AADNet 是渐进的。该论文处于临界水平——方法上合理，但在新颖性和实际效用上有所欠缺。