N-CORE：用于非言语发声解耦表征学习的 N 视图一致性正则化

基于摘要分析。该研究针对非言语发声缺乏词汇锚点、且多标签数据分布不均衡所带来的计算分析困难，提出监督式框架 N-CORE，通过同一音频样本的 N 个视图学习对特定受扰动特征的不变性，以实现表征解耦。 其核心机制是以音频变换构造多视图，并通过一致性约束分离希望保留的信息与受扰动因素。作者还提出一种旨在保留说话人信息的情绪扰动函数，并在非言语发声上验证语音变换函数。摘要未给出视图生成细节、损失形式、监督标签如何参与训练，以及情绪变化与说话人信息保留的具体验证标准。 作者报告，在 VIVAE、ReCANVo 和 ReCANVo-Balanced 数据集的情绪分类与说话人分类任务上，N-CORE 相比基线取得有竞争力的表现；摘要未提供指标数值、基线名称或数据划分，不能据此判断性能优势的幅度及泛化范围。实验协议、消融及统计信息尚未验证。隐私保护编码、非典型语音临床诊断和交流发展纵向分析是作者提出的应用方向，并非摘要已证实的应用效果。 平台推测（待验证）：若 EEG 中能构造保持任务标签、仅改变非目标因素的多视图，该一致性学习思路可能用于缓解表征对干扰因素的依赖。可复用的是多视图一致性约束，需重新设计 EEG 扰动及其标签保持验证；音频情绪扰动不能直接套用。低信噪比、通道差异、跨被试变化及小样本可能使扰动破坏有效神经信息，或造成表征坍缩。一个小规模可证伪实验是在固定 Cross-subject 划分下，对比同一编码器有无多视图约束的任务表现，并检测被试身份可预测性是否下降且任务信息是否保留。已有 EEG 相关工作尚未检索确认。