严重声学偏移下的原型校正迭代自监督流形去噪 Prototype-Rectified Iterative Self-supervised Manifold Denoising under Severe Acoustic Shift
把严重噪声建模为潜空间低秩仿射畸变，闭式几何修正编译成静态矩阵，免梯度实现亚毫秒级测试时适应
前置知识
音频-文本基础模型（ATM / CLAP）
CLAP 用音频编码器 $f_A$ 和文本编码器 $f_T$ 通过对称对比交叉熵训练，把音频片段与自然语言描述映射到同一 $d$ 维联合嵌入空间。推理时将每个类别的文本描述（如 "the sound of dog bark"）编码为类原型，用余弦相似度 $\arg\max_c \langle e, t_c\rangle$ 选类，实现零样本分类。本文使用 LAION-CLAP（630k-audioset-fusion-best checkpoint）。
PRISM 的全部操作都发生在 CLAP 的联合嵌入空间，理解双塔对比结构才能理解"把音频流形向文本原型对齐"这一核心动作。
模态间隙（Modality Gap）
对比训练的内在现象：由于音频与文本两种模态的统计密度差异，两类嵌入在共享空间中形成两个系统性分离的子流形。干净声学条件下相对类几何保持完好，零样本匹配仍可成功；但严重加性噪声会把受损音频嵌入拉入由背景干扰主导的分布外子流形，破坏相对几何，导致检索与分类失败。
本文的目标正是在不重训模型的前提下逆转噪声造成的几何畸变、恢复音频流形与文本原型流形的空间对应关系。
测试时适应（TTA）与转导学习
TTA 指模型在推理阶段利用无标注测试数据自我调整，典型如 TENT 最小化输出熵，本质上是在测试时做无监督聚类。转导学习则针对当前观察到的整批无标注测试数据做预测，允许利用批次统计量；但传统转导方法的代价是每个新批次都要重新计算适应。
PRISM 是"转导式校准 + 严格批次无关推理"的混合设计，理解这一区分才能把握其把修正编译为静态投影矩阵的动机。
正交 Procrustes 问题
经典线性代数问题：给定两组对应点，求最优正交矩阵 $R$ 最小化旋转后的对齐误差 $\sum_c \|M^n_c R - M^t_c\|_2^2$。解法是对互协方差矩阵 $H$ 做 SVD（$H=U\Sigma V^\top$），最优解 $R^*=UV^\top$。由于正交矩阵满足 $R^{-1}=R^\top$，估计出的旋转可直接取转置作为逆旋转。
PRISM 的 OPCA 组件用它估计并逆转噪声施加在音频流形上的旋转，是三步闭式修正中的第一步，也是消融中贡献最大的组件。
Fisher 线性判别分析（LDA）与散布矩阵
经典判别分析用类内散布矩阵 $S_W$（同类样本围绕类均值的离散程度）和类间散布矩阵 $S_B$（类均值相对全局均值的离散程度）刻画判别结构。标准 LDA 解 $S_W^{-1}S_B$ 找判别方向；本文反其道而行，解 $(S_B+\epsilon I)^{-1}S_W$，找"类内方差大、类间区分差"的方向——这正是噪声主导方向的几何特征。
CCVD 组件依赖这个反向 Fisher 比识别噪声子空间，理解它才能明白 PRISM 与 PCA++ 在同一几何路线下的本质分野。
研究动机
CLAP 一类音频-文本基础模型（ATM）在标准基准上零样本表现优异，但真实部署场景远比基准恶劣：光纤声学监测、生物声学动物识别、水下船舶分类等应用中信噪比经常低于 0 dB，目标事件被非平稳干扰、密集多声部与强混响淹没。以本文的评测协议为例（UrbanSound8K 注入 10 种 TAU 城市背景噪声、混合信噪比、10 折交叉验证共 87,320 个评估实例），零样本 LAION-CLAP 的精度从干净音频的 78.39% 崩溃到平均 58.77%，在 −6 dB 时更跌至 32.69%。三类现有适应范式在该场景下各有硬伤：(1) 静态几何对齐（固定投影、源域训练的映射）过于僵硬——每个目标环境会产生独特的旋转、平移与低秩畸变，一次性全局修正无法适配；(2) 梯度式 TTA（TENT、SUTA、TDA）在歧义多声部噪声下产生确认偏差——高置信的错误伪标签被反馈进适应循环，模型实际上在学习噪声地板而非前景信号，实验中 TDA 在 US8K 上仅 62.75%，与零样本几乎持平；(3) 提示调优方法（TPT、ContextDA）需要推理时不可获得的特权噪声类型标注，且迭代反向传播的开销与实时音频流不兼容。
本文的目标是本文要回答一个明确定义的问题：能否为 ATMs 设计一种在严重声学偏移下自主恢复语义对齐的 TTA 方法，同时满足四个工程约束——不使用梯度、不依赖源数据、不要求增广噪声提示（或噪声类型标注）、且快到足以在资源受限的边缘硬件上实时运行。具体目标包括：(1) 校准阶段允许转导式地利用一批无标注噪声嵌入，但推理必须严格批次无关（batch-independent），单个样本一次前向即完成适应；(2) 单样本适应延迟达到亚毫秒级（最终实测 $9 imes10^{-4}$ ms），远快于梯度式 TTA 的 2–50 ms；(3) 零可训练参数，所有修正以闭式解编译为静态投影矩阵；(4) 在 US8K、ESC-50 等加性噪声基准上全面超越全盲基线，甚至超过需要 oracle 噪声提示的 ContextDA。
与已有工作不同的是，本文的独特切入点是重新定位问题瓶颈：作者论证瓶颈不在分类器失配，而在多模态潜空间本身的几何畸变——这种畸变是可建模、可测量、可解析逆转的。核心洞察是 Affine Noise Hypothesis：波形上的加性噪声 $x'=x+\delta$ 经非线性编码器后，在潜空间中近似表现为低秩仿射畸变 $e'\approx Re+\Delta_{noise}$（正交旋转加平移）。SVD 诊断显示四种声学环境的噪声畸变能量超过 90% 集中于前 60 个主成分，奇异值曲线呈现一致的"早期肘部+平坦尾部"形态。这意味着全量梯度适应既无必要、在噪声主导时甚至有害——闭式线性代数即可逆转畸变。第二个被忽视的资源是冻结的文本原型矩阵 $T$：单模态 TTA 只有内部批一致性这一个自监督信号可用，而跨模态模型自带一个处于无噪声模态的语义几何，可作为外生、免标注的锚点引导流形对齐。
核心方法
直觉类比：噪声音频把 CLAP 潜空间里的"音频地图"整体拧转了一个角度、平移了一段距离，还把部分区域涂上了噪声的底色。既然畸变近似是低秩仿射的，与其用梯度下降慢慢微调模型，不如直接估计这张地图被怎么改了，然后用一次线性变换把它改回去。技术路线分两阶段：Phase 1（转导校准，批次相关）对一批无标注噪声嵌入 $E_n\in\mathbb{R}^{N\times d}$ 迭代 $R=3$ 轮三种闭式几何修正——OPCA 估计逆旋转把音频流形对齐到文本原型流形、CCVD 用反向 Fisher 比识别噪声子空间并正交投影剔除、PCT 把每个样本向其预测类的文本质心软平移；每轮结束用 ABR（带岭正则的最小二乘）把累积修正编译为一个静态仿射投影矩阵 $W_{aug}\in\mathbb{R}^{(d+1)\times d}$。Phase 2（静态推理，批次无关）冻结 $W_{aug}$，每个新样本只需一次矩阵-向量乘法 $\tilde{e}_{noisy}W^{(R)}_{aug}$，实测 0.0009 ms，零梯度、零批次统计、零参数更新，同时矩阵分解出的行结构使 $W$ 的上块承担线性分量、末行直接吸收噪声平移 $\Delta_{noise}$。
核心创新有三层，最本质的是"估计并逆转畸变"替代"优化损失"。已有 TTA 无论梯度式（TENT、TDA）还是提示式（TPT、ContextDA）都在推理时迭代优化某个目标（熵、对比损失），严重噪声下这恰恰在强化噪声；PRISM 完全不优化——三步修正全是闭式解，畸变的低秩仿射结构（>90% 能量集中于 60 维子空间）保证解析逆转既可行又充分。第二层创新是 ABR 编译机制：每轮的修正结果不是直接使用，而是通过岭回归 $W_{aug}=(\tilde{E}_n^\top\tilde{E}_n+\lambda I)^{-1}\tilde{E}_n^\top E_{tgt}$ 从原始观测空间一次性映射出来，且每轮都从固定的 $\tilde{E}_n$ 回归而非从上一轮输出回归（Proposition 4.1 的原点锚定防漂移），从而把批次相关的校准与严格批次无关的推理解耦——这是与所有转导式 TTA 的根本工程差异，使单样本 0.0009 ms 推理成为可能。第三层是在嵌入空间而非 logit 空间做平移修正：logit 上的加性偏移会被 ℓ2 归一化按比例湮灭，而嵌入空间的平移在归一化后朝向原型的方向仍然保持。此外，反向 Fisher 比（专找"类内方差相对类间判别性大"的方向）使 PRISM 免疫 PCA++ 在中高 SNR 下的 Spectral Over-Alignment 失效：CCVD 移除的恰好是噪声方向，保留下来的正是承载判别信息的类内结构。
方法步骤详情
完整流程如下。输入：冻结的 LAION-CLAP 编码器；噪声音频批嵌入 $E_n\in\mathbb{R}^{N\times d}$（ℓ2 归一化）；文本原型 $T\in\mathbb{R}^{C\times d}$（每类 20 个 prompt 模板如 "This is a sound of {}" 平均后归一化）。第 0 步仿射增广：$\tilde{E}_n=[E_n|\mathbf{1}_N]$ 添加全 1 偏置列以捕获平移分量，该增广只计算一次并跨轮固定。随后 $R=3$ 轮迭代，每轮四步：(1) OPCA：由当前嵌入 $E_{cur}$（初始化为 $E_n$）计算 logits $L=E_{cur}T^\top$，取置信度 top-80%（$p=0.8$）的样本伪标签，按类求音频质心 $M^n_c$ 与文本质心 $M^t_c=t_c$；对中心化互协方差 $H$ 做 SVD 得最优旋转 $R^*=UV^\top$（即噪声正变换的逆 $R^{-1}$），配合 clamp 到 $[0.8,1.2]$ 的自适应尺度 $s$，输出 $E'=\text{normalize}(s(E_{cur}-\mu_n)R^*+\mu_t)$；Procrustes 每轮只执行一次，多次迭代会产生过度旋转伪影（平均 −1.24 pp）。(2) CCVD：在 $E'$ 上重算置信度 top-70%（$q=0.7$）子集的类内散布 $S_W$ 与类间散布 $S_B$，取正则化 Fisher 比 $F=(S_B+\epsilon I_d)^{-1}S_W$（$\epsilon=10^{-4}$）的前 $K=60$ 个特征向量张成噪声子空间 $V_K$，正交投影 $E_{ccvd}=\text{normalize}(E'(I_d-V_KV_K^\top))$。(3) PCT：按 $E_{ccvd}$ 预测类别，对每个样本做软平移 $\tilde{e}_i=e^i_{ccvd}+\alpha(t_{\hat{y}_i}-\mu^c_{ccvd})$（$\alpha=0.3$），得本轮目标 $E_{tgt}=\text{normalize}(\tilde{E})$。(4) ABR：闭式岭回归 $W_{aug}=(\tilde{E}_n^\top\tilde{E}_n+\lambda I_{d+1})^{-1}\tilde{E}_n^\top E_{tgt}$（$\lambda=0.01$），并令 $E_{cur}=\text{normalize}(\tilde{E}_nW_{aug})$ 进入下一轮。PRISM+CAR 变体在第 3 步后按类平均置信度生成插值权重 $w_i=\sigma(\gamma(\bar{\sigma}_{\hat{c}}-m))$（$\gamma=10$，$m$ 为类置信度中位数），把目标改为 $\tilde{e}_i=w_ie_i+(1-w_i)e^{PRISM}_i$ 再送入 ABR，为低置信的多声部类保留更多原始几何。推理时冻结 $W^{(R)}_{aug}$，新样本一次乘法后以 $\hat{y}=\arg\max_c\cos(\tilde{e}\,W^{(R)}_{aug},\,T)$ 分类。
技术新颖性
与已有技术逐项对比：(1) 对梯度式 TTA（TENT/SUTA/TDA/CEA）：PRISM 全程无梯度、无迭代优化，修正由 SVD、特征分解和岭回归三个闭式解构成，推理延迟 0.0009 ms 对比 TDA 的约 2 ms 与 CoNMix 的约 50 ms，且从机制上避免了确认偏差这一根本性失败模式。(2) 对 PCA++：同属几何投影路线，但 PCA++ 解标准 LDA 广义特征问题 $S_W^{-1}S_B$ 并在所有 SNR 下施加同一补投影，导致中高 SNR 时无差别擦除承载信号（谱谐波、音色、时序调制）的类内方差，在 ESC-50 上反而比零样本低 11.25 pp；PRISM 的反向 Fisher 比只移除噪声特征方向，从 −6 dB 到 clean 严格单调提升。(3) 对提示调优（TPT/ContextDA）：PRISM 不需要任何噪声类型标注或增广噪声提示，却在 US8K 上超过 oracle 版 ContextDA 9.41 pp。(4) 对所有转导方法：ABR 编译把适应成本一次性前置（311 ms 预计算），推理严格批次无关，单样本（N=1）时仍有 80.0% 精度，而转导基线在 N≤64 时全部跌破 65%。(5) 理论贡献：首次形式化 Polyphonic Trap（秩重叠约束 $\text{rank}(\Sigma_{class})+K>d$ 时 CCVD 必然擦除信号）与 Spectral Over-Alignment Dilemma 两种可复现的失败模式。
实验结果
主结果（Table 1）：US8K（10 背景 × 10 折，87,320 实例）上 PRISM 达到 71.71% Acc / 72.36% Macro-F1，比零样本基线（58.77%）高 12.94 pp；比最强全盲基线 PCA++（67.88%）高 3.83 pp；比缓存式 TDA（62.75%）高 8.96 pp；比需要特权噪声提示的 ContextDA（62.30%）高 9.41 pp。零样本与 SubTTA 几乎持平（58.77% vs 58.83%），证实朴素熵最小化在严重噪声下收益趋零。ESC-50 上 PRISM 93.39%，超 TDA（91.10%）2.29 pp，超 PCA++（77.57%）15.82 pp——后者反而比零样本（88.82%）低 11.25 pp，是 Spectral Over-Alignment Dilemma 的直接证据。Table 2 显示 US8K 全部 10 个环境 PRISM 均第一，增益从 +8.32 pp（metro）到 +19.10 pp（shopping_mall），且零样本最难的 shopping_mall（49.43%）恰是增益最大处，说明 CCVD 在噪声主导时最有效。Table 4 的 SNR 扫描：−6 dB 时零样本 32.69%、PCA++ 37.55%、PRISM 57.45%（+24.76 pp）；PRISM 从 −6 dB 到 clean（85.57%）严格单调递增，而 oracle 版 ContextDA 在 6 dB 约 72.5%，比 PRISM 同 SNR 的 83.79% 低 11.3 pp。DCASE 设备失配基准违反低秩加性假设，全方法崩溃：零样本 17.36%，base PRISM 退化到 15.63%，唯有 PRISM+CAR（17.70%）超过零样本，起到几何安全伞作用。消融（Table 5）：OPCA 贡献 +9.58 pp，CCVD +3.09 pp，ABR +0.27 pp。效率（Table 6）：预计算 311 ms，单样本推理 0.0009 ms，比 PCA++（约 0.008 ms）快 9 倍；批次无关性上 N=1 时 PRISM 达 80.0%（72.2±0.6% 跨所有批次规模），转导基线在 N≤64 全部低于 65%。Polyphonic Trap（Table 7/Figure 5）：street_music 从 92.53% 崩至 75.33%（−17.20 pp）且在 10 个环境一致退化 −13~−23 pp；CAR 恢复至 83.49%（+8.16 pp），代价是整体精度微降 0.48 pp，air_conditioner 从 64.77% 回退到 58.35%。超参方面 $K\in[30,100]$ 精度波动小于 0.1 pp，$\alpha$ 全范围波动小于 0.63 pp，$\lambda$ 跨两个数量级稳定。
![Sensitivity Analysis on US8K. Left (a,b): Overall accuracy per method and incremental component ablation. Right (c–e): Hyperparameter sensitivity across Noise Subspace rank K ∈ [30, 100], Shift Strength α ∈ [0, 1], and Ridge Penalty λ ∈ [10−3, 10−1].](/papers/2608.15037/images/figure_6.jpg)
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| US8K 城市声分类（10 背景 × 10 折，混合 SNR） | Accuracy / Macro-F1 | 71.71% / 72.36% | 零样本 58.77%；最强全盲 PCA++ 67.88%；oracle 提示 ContextDA 62.30% | +12.94 pp（vs 零样本）；+3.83 pp（vs PCA++）；+9.41 pp（vs oracle 基线） |
| ESC-50 环境声分类（5 折 + 10 种 TAU 背景） | Accuracy | 93.39% | TDA 91.10%；零样本 88.82%；PCA++ 77.57% | +2.29 pp（vs TDA）；+15.82 pp（vs PCA++） |
| US8K 严重噪声（−6 dB SNR） | Accuracy | 57.45% | 零样本 32.69%；PCA++ 37.55% | +24.76 pp（vs 零样本）；+19.90 pp（vs PCA++） |
| 单样本推理延迟（边缘部署） | ms / 样本 | 0.0009 ms（预计算 311 ms） | PCA++ ≈0.008 ms；TDA ≈2 ms；CoNMix ≈50 ms | 比 PCA++ 快 9 倍，比梯度式 TTA 快 3–5 个数量级 |
| DCASE/TAU 2019 设备失配（假设违反场景） | Accuracy | 17.70%（PRISM+CAR，唯一超过零样本的方法） | 零样本 17.36%；base PRISM 15.63% | +0.34 pp，CAR 在假设不成立时充当安全伞 |
局限与改进
作者承认的局限：(1) Polyphonic Trap——语义方差与噪声方向几何重叠的宽带类（street_music、siren）会被 CCVD 擦除信号成分，这是子空间去噪的原理性缺陷，当秩重叠约束 $\text{rank}(\Sigma_{class})+K>d$ 成立时不可避免；street_music 从 92.53% 崩至 75.33%，且在全部 10 个环境一致退化，证明这是几何层面的系统性失败而非声学偶发。(2) CAR 的权衡性——软插值削弱了脉冲类的激进去噪，整体精度从 71.71% 降至 71.23%，air_conditioner 退化 6.42 pp，本质是正则化而非根治。(3) 假设依赖——Affine Noise Hypothesis 只刻画加性噪声，DCASE 的设备失配偏移下 base PRISM 反而有害（15.63% < 17.36%），说明硬几何投影在假设不成立时会主动破坏信号。我的补充观察：(4) 校准是转导式的，需先积累一批无标注噪声数据（warm-up 建议 128–512 样本），环境非平稳时静态 $W$ 会过时，论文未给出重校准的触发机制；(5) 仅在 LAION-CLAP 单一骨干上验证，对其他 ATM（如 M2D-CLAP、tinyCLAP）及不同嵌入维度是否同样成立未测；(6) 评测噪声为 TAU 语料的合成加性注入，与真实部署中的混响、信道效应、多源叠加仍有差距；(7) OPCA/CCVD 依赖伪标签置信度门控，在 −6 dB 下零样本置信度本身已不可靠，极端噪声下置信子集的纯度存疑。
独立分析的弱点
独立弱点分析：(1) 静态 $W$ 与非平稳环境的矛盾——工业监控中背景噪声随昼夜、天气、机器工况漂移，校准出的 $W$ 在数小时后可能失配，且没有任何漂移检测信号。改进方向：监测新样本经 $W$ 前后与文本原型相似度分布的偏移，自动触发滑窗重校准，并利用岭回归支持增量更新的性质做低代价在线修正。(2) 置信度门控的自举脆弱性——top-80%/70% 的伪标签质量决定质心与散布矩阵的估计，−6 dB 时零样本仅 32.69%，置信子集可能被少数强噪声类系统性污染。改进：用软标签替代硬伪标签计算质心，或引入跨轮预测一致性作为附加过滤条件。(3) 超参虽鲁棒但为全局固定——$K=60$ 在 LAION-CLAP 的维度上与 >90% 能量集中现象对齐，但换骨干后能量集中维度可能不同。改进：按累积奇异值能量 90% 自动选取 $K$，与 Figure 2 的诊断流程天然衔接。(4) CAR 的类级标量权重过于粗糙——同属 street_music 的样本多声部程度差异巨大，统一插值系数难以兼顾干净录音与密集混合录音。改进：样本级不确定性估计或频谱平坦度感知的动态权重。(5) 类别集封闭性——PRISM 依赖固定文本原型集，开放词汇场景下原型覆盖不全时样本会被强行归入错误锚点。改进：加入拒绝选项，对所有原型相似度都低的样本回退零样本预测或提示需要更新标签集。
未来方向
作者提出的方向：进一步缓解 Polyphonic Trap 的 worst-case 退化——CAR 只是部分恢复 street_music 到 83.49%，仍显著低于零样本的 92.53%，存在根治空间；面向边缘硬件的实际部署验证。基于本文成果可延伸的方向：(1) 将 Affine Noise Hypothesis 推广到非加性偏移——设备失配、混响、信道卷积可能在潜空间表现为其他结构化变换（低秩乘性、流形弯曲），为其设计对应的闭式逆算子，补上 DCASE 这类失败场景；(2) 把 PRISM 的静态投影与音频增强前端（目标声提取、谱减）级联，几何修正与信号层面增强互补；(3) 在线/流式版本：利用岭回归可增量更新的性质做持续校准，配合漂移检测实现自触发适应；(4) 跨骨干泛化研究：验证畸变低秩性是否是对比预训练的普遍属性（E-BATS 等无反传 TTA 的出现暗示该方向有广泛需求）；(5) 理论深化：为迭代自监督循环建立收敛性或一致性保证，量化伪标签错误率对 OPCA 质心估计误差的传播；(6) 在语音情感识别（Emo-TTA 的场景）和生成式口语模型的 TTA（SLM-TTA）上检验嵌入空间几何修正范式的普适性。
复现评估
复现条件相当友好。代码已开源（GitHub: Ashish-1108/PRISM）；骨干模型 LAION-CLAP 使用公开 checkpoint（630k-audioset-fusion-best.pt），全程无需训练或微调；三个评测集全部公开：US8K（8,732 段）、ESC-50（2,000 段）、TAU Urban Acoustic Scenes 2019 / DCASE（14,400 段），噪声注入协议明确（10 种 TAU 背景、混合 SNR、逐折逐背景独立校准）。算力需求低：论文用单张 A100 80GB 工作站主要是为批量提取嵌入；PRISM 本体只有 SVD、特征分解和岭回归，311 ms 预计算加 0.0009 ms 单样本推理，适应部分 CPU 即可运行。所有超参（$R=3$、$K=60$、$p=0.8$、$q=0.7$、$\lambda=0.01$、$\alpha=0.3$、$\gamma=10$）跨数据集、环境、折全部固定，无逐条件调参，且敏感性分析显示 $K$、$\alpha$、$\lambda$ 均有宽平台，复现时无需精细搜索。主要成本在评测协议：需按论文设置把 SubTTA/PCA++/TDA 等视觉域基线移植到 CLAP 嵌入并统一复现，以及 87,320 实例的大规模评估，估计一名工程师 1–2 周可完成。整体复现难度：中低。
论文图表
三联概览图：(a) 对比 ContextDA（需要 oracle 噪声类型提示）与 PRISM（把几何修正编译成静态矩阵 W，完全盲适配）；(b) 逐项核对边缘推理的关键 desiderata（免训练、闭式解、全盲、批次无关），PRISM 是唯一全满足的方法；(c) 精度-延迟散点图，PRISM 以约 72.5% 精度和最低延迟位于左上角。
一张图讲清 PRISM 在方法版图中的定位：与 oracle 提示法和转导基线的本质差异，以及"更高精度+更低延迟"的双重优势，是快速把握论文卖点的入口。
四种声学环境（Street Traffic、Airport、Metro、Park）的噪声畸变残差矩阵累积奇异值能量曲线。四条曲线几乎重合：前几个分量携带近满能量，随后出现明显肘部，之后是接近零的长尾；虚线标出保留秩 K=60，水平线标出 90% 能量。
这是全文理论根基 Affine Noise Hypothesis 的唯一直接实证：>90% 畸变能量集中于前 60 个主成分，直接支撑"闭式低秩修正即可逆转噪声"的核心论断和 K=60 的取值。
左图：US8K 十个类别的精度相对零样本的变化，脉冲类大幅获益（air_conditioner +42.71 pp、gun_shot +31.34 pp、children_playing +22.30 pp），而 street_music 崩溃 −17.20 pp，标出 Polyphonic Trap 区域。右图：类 × 环境热力图，street_music 在全部 10 个环境一致退化 −13~−23 pp，其余多数类别一致改善。
Polyphonic Trap 的关键证据图：street_music 与环境无关的系统性退化是"子空间重叠"这一几何解释的经验签名，直接催生了 CAR 方法，是理解论文局限与第二贡献的必看图。