arXiv cs.AI· Xinhong Li, Weiping Tu·· 11 小时前AI 评分18
APRIL：面向呼吸音域增量学习的歧义感知专家路由框架
APRIL: Ambiguity-Aware Expert Routing for Respiratory Sound Domain-Incremental Learning
AI 导读
APRIL 是一个无需样本回放的呼吸音分类域增量学习框架，基于冻结的 BEATs 骨干网络顺序继承并隔离低秩专家，通过多级原型路由器检索 top-2 候选专家并按匹配歧义动态加权选择最终模型。在 ICBHI 和 SPRSound 上构建设备与时间增量基准，五个随机种子下最终会话平均 Score 分别达 64.4%/65.4% 和 83.1%/82.2%，所有协议平均遗忘均低于 1.0%。
正文 · AI 翻译
摘要：自动呼吸音分类可实现连续、无创的呼吸评估，但由于记录设备和采集时段不断变化带来的域偏移，长期部署仍面临挑战。当隐私与治理法规禁止重放历史数据时，顺序学习很容易覆盖先前获得的知识。保留专用的领域专家可防止参数干扰，但在声学分布重叠且缺少域标签的情况下，推理时选择正确的专家十分困难。为解决这一困境，我们提出 APRIL，一种用于 RSC 的无样本域增量框架。APRIL 构建于共享的冻结 BEATs 骨干之上，顺序继承并隔离低秩专家，从而在不改变先前模型的情况下实现新域适应。多级原型路由器检索前两名候选专家，并通过将域路由后验与分类置信度相结合来动态选择最终模型，二者按匹配歧义度自适应加权。我们在 ICBHI 和 SPRSound 数据集上建立了标准化的设备增量和时间增量基准，涵盖正向与反向域顺序。在五个随机种子上评估，APRIL 在对比的持续学习方法中始终取得最高的最终会话平均 Score，在正向和反向序列下，ICBHI 上分别达到 64.4% 和 65.4%，SPRSound 上分别达到 83.1% 和 82.2%。关键在于，所有协议下的平均遗忘均保持在 1.0% 以下，证明无需数据重放即可实现稳健的域适应和长期知识保留。总体而言，APRIL 为在真实医疗环境中部署连续呼吸音分类提供了一种可靠且保护隐私的范式。
| 学科： | 声音 (cs.SD)；人工智能 (cs.AI) |
| 引用为： | arXiv:2610.27942 [cs.SD] |
| （或 arXiv:2610.27942v1 [cs.SD] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.27942 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Xinhong Li [查看邮箱]
[v1]
2026年10月20日星期二 09:49:56 UTC (1,438 KB)
来源：arXiv cs.AI · arxiv.org