面向自监督说话人验证的 Bootstrap Equilibrium 与概率说话人表征学习

基于摘要分析。该研究针对自监督说话人验证，提出两阶段表征学习框架：前端结合 bootstrap 训练与均匀性正则学习说话人表征，后端训练感知不确定性的概率说话人嵌入，使表示同时包含说话人信息与数据不确定性。 机制上，前端采用 bootstrap 训练方案，并引入均匀性正则项；摘要未给出具体网络结构、正则形式或训练细节。后端通过最大化属于同一说话人的语音样本之间的 mutual likelihood score 来估计概率嵌入。此阶段如何确定同一说话人的样本关系、是否使用标签或伪标签，以及概率分布的参数化方式，均需核对全文，不能仅凭自监督任务名称推断。 作者报告，所提出的 Bootstrap Equilibrium 训练策略优于常规对比学习方法；作者还报告，整合后的两阶段框架在 VoxCeleb1 测试集上进一步改善了以 EER 和 MinDCF 衡量的说话人验证性能。摘要未提供具体数值、训练数据、测试划分及对照配置，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将其机制迁移到 EEG，潜在对应点是无标签表征学习与信号质量不确定性建模，而不是直接复用说话人验证结论。可复用候选为 bootstrap 目标、均匀性约束和概率嵌入思路；编码器、数据增强及正样本关系需按 EEG 任务重新设计。尤其应避免将同一被试等同于同一任务状态；低信噪比、通道变化及小数据可能使不确定性混合任务信息与采集噪声。一个可检验的小实验是在固定跨被试划分下，分别比较基础 bootstrap、加入均匀性正则及再加入概率嵌入的版本，检验任务性能与噪声扰动下的不确定性响应。上述迁移不构成已验证的 BCI 效果，相关 EEG 工作尚未检索确认。