icassp2027-experiment/docs/progressive_feature_fusion_route_2026-09-02.md

# 从 pooled local evidence 到逐人跨模态交融：渐进实验路线（2026-09-02）

## 1. 目的和当前决策

这份路线回答一个具体问题：

> 在严格因果的 egocentric 多人对话中，如何逐步保留和利用可变数量人物的结构，使模型
> 在相同 wearer 开口召回率下，减少 other-to-other 交谈期间的错误开口，同时不损害真正
> wearer 接话和让话行为？

当前实现把每帧人物 crop 的 Qwen visual encoder token 先平均为逐人向量，再对人物等权
平均，最后对最近约 1 秒的有效帧平均。局部音频也被池化，之后与全局 Thinker state G
拼接进入 MLP。这个基线计算简单，但会丢失：

- 同一帧内有几个人以及哪一个人更相关；
- 人与人之间的空间关系；
- 同一匿名人物在多帧中的连续运动和说话状态；
- 某个人与同期音频、Omni 历史之间的对应关系。

因此，普通 pooling 保留为 F0 基线，不再把继续加深 pooled MLP 当作主方法。第一项新
融合实验从 F1 Frame-set Attention 开始。后续模块只有在前一级通过预先定义的 gate 后
才实施。

实现状态（更新于 2026-09-07）：F1 已完成三 seed、四 epoch 的远程筛选，得到
`81.77745 +/- 0.15638` 的 0.2 秒 mAP 和 `64.95099 +/- 0.09451` 的十 horizon mean
mAP。它表现稳定，但与旧 pooled 结果的 split/dev 协议并不匹配，而且尚无 correct/wrong
视觉控制，因此不能写成注意力优于 pooling。另加入两个仅用
当前 sidecar 的 F5/F6 **screening** 模式：`audio-person-frame-set` 和
`gated-person-state-adapter`。前者没有 F4 人物历史，后者位于 Thinker readout 之后；二者
都不能写成完整 F5/F6。第一版 F3 `track-gru-residual` 已完成远程运行，但因 zero-gate
阻塞早期梯度只能记为优化失败，不能用于判断 track continuity。随后完成的 oracle
information screen 表明及时的 aggregate visible activity 有明显价值，而逐人历史与
shuffled-ID 无差别。因此当前优先级已从“继续加深 track 模型”改为“先从真实 AV 学出及时
的局部 floor evidence”；F2、F4、真正的 F5/F6 和 D1 仍然只是计划。

## 2. 不可改变的实验条件

所有阶段共同遵守：

- 目标与全局 state 均为 5 Hz；第 t 行只能使用截止到 (t+1)/5 秒的媒体。
- 视频人物特征若为 2 FPS，在 5 Hz 预测点选择严格早于 cutoff 的最新人物集合，与已有
  half-open local audio/visual 契约一致。
- 不允许用未来帧插值；同一 2 FPS 人物集合可以供多个 5 Hz query 读取，但不能伪装成
  新观测去重复更新时序状态。
- EasyCom Session 4--12 为官方训练集，Session 1--3 为最终测试集。模型和阈值选择使用
  训练集内部 calibration/dev；建议先固定 Session 12，训练使用 Session 4--11。
- G 是可能已经融合音频、视频和语言上下文的 Thinker state，不能称为纯全局视觉。
- 局部音频 A 始终直接进入最终预测头。即使它也参与 attention query，也不能只把 A
  藏在 query 中，否则无法公平保留当前很强的 G+A 基线。
- 人物数量用 mask 和 NULL person 处理，不通过截断后静默补零改变语义。
- 所有新增模型与 G+A、pooled-V 以及参数量匹配的非结构化模型使用相同历史长度、
  optimizer、epoch、seed 和有效样本。
- 至少运行 3 个 seed，并保存逐事件或逐 session 输出，支持 paired bootstrap。

当前事件 evaluator 尚缺 competing-risk censoring。正式训练选型前必须先完成 P0：

- other offset 后的 response 窗口在下一次 other onset 处截止；
- other onset 后的 yield 窗口在下一次 other offset 处截止。

P0 修正前的 entry/yield 数值只能称为 timing-derived proxy，不得作为模块通过 gate 的
最终依据。

## 3. 总路线

| 阶段 | 增量 | 核心问题 | 通过后才进入 |
|---|---|---|---|
| F0 | 当前 equal-person/equal-frame pool | 建立可复现起点 | F1 |
| F1 | Frame-set Attention | 当前对话状态能否选择相关人物 | F2 |
| F2 | Spatial person interaction | 人物相对位置是否提供额外多人线索 | F3 |
| F3 | Track-temporal shared encoder | 匿名人物连续性是否必要 | F4 |
| F4 | Person-conditioned AV history | 每个人读取音频和 Omni 历史是否改善 grounding | F5 |
| F5 | 双向 person/audio interaction | 更深交互是否优于单向读取 | F6 |
| F6 | Thinker person-memory adapter | 旁路证据能否安全接入 Omni 内部 | D1 |
| D1 | 在线 detector + causal tracker | 部署管线与 provided-box 上限的差距 | 完整系统 |

F1 已完成初筛，但尚未通过视觉错位/错人和事件 gate。当前先执行下面的 oracle 驱动
学习步骤；F2 及以后仍不并行堆叠，避免无法判断收益来自哪一层。

### 3.1 Oracle 信息门对路线的修正

2026-09-07 的 Session 12 seed-0、四 epoch screen 使用严格 past/current-only 的
transcript-derived activity 作为 analysis-only sidecar。`aggregate-visible` 相对相同的
G+A baseline 提升 `+6.96649` 个点的 0.2 秒 mAP 和 `+2.91047` 个点的十 horizon mean
mAP；visibility-only 和延迟 1 秒的 activity 仍接近 G+A。这说明当前模型缺少的是及时的
局部 floor activity，而不只是“画面里有人”或额外参数。

但是 `aggregate-visible` 高于 `per-person`，且 `per-person` 与 `shuffled-id` 的差异仅为
`-0.05826`（0.2 秒）和 `-0.07725`（mean mAP）个百分点。当前 dense aggregate-others
目标没有显示人物 ID 连续性的额外信息价值。因此，下一项学习模块首先应是从因果音频与
人物 crop 估计 aggregate visible-person floor evidence，并报告它恢复了多少 oracle gap。
只有正确人物/时间的逐人表示进一步稳定优于 aggregate、no-ID、broken-continuity 和错时
控制，F3/F4 的 track 叙事才恢复为主线。完整结果见
[`oracle result record`](../results/easycom_oracle_information_4ep_2026-09-07/README.md)。

## 4. F0：冻结现有 pooling 基线

在同一训练协议下至少保留：

| ID | 输入 | 作用 |
|---|---|---|
| B0 | G | 全局 Omni 表示 |
| B1 | G + A | 当前强局部音频基线 |
| B2 | G + pooled V | 普通视觉池化的边际作用 |
| B3 | G + A + pooled V | 当前完整 pooling 基线 |
| B4 | G + A + parameter-matched MLP | 排除收益仅来自更多参数 |

还应保存以下视觉干预：

- remove-V；
- time-shift-V：只允许向过去错位，绝不能使用未来视觉；
- wrong-clip-V 或 session 内无关时间的人物集合；
- correct-V。

如果 correct-V 与错位/错误视觉没有稳定差异，不能把 B3 的变化解释为视觉 grounding。

## 5. F1：Frame-set Attention

### 5.1 输入和数据结构

预测时刻 t 使用：

- G_t：5 Hz 全局 Thinker state；
- A_t：截止到 t 的因果局部音频表示；
- P_t = {p_t,i}：最新可用视频帧中 N_t 个逐人 visual encoder 特征；
- M_t：人物有效 mask；
- 一个学习的 NULL person，负责没有检测到人物或当前人物均不相关的情况。

F1 不使用 track ID、不使用人物绝对身份 embedding，也不跨帧递归，因此对同一帧的人物
排列天然不敏感。

### 5.2 最小架构

先把不同来源投影到共同维度 d，首轮建议 d=256、4 heads、单层 attention：

    q_t = W_g LN(G_t) + W_a LN(A_t)
    K_t = W_k LN([NULL; P_t])
    V_t = W_v LN([NULL; P_t])
    U_t = MHA(q_t, K_t, V_t, mask=M_t)
    logits_t = Head([G_t, A_t, U_t, valid_bits])

这里的语义是：G+A 描述当前 floor 和语境，作为 query 从当前可见人物集合中选择证据。
人物是 key/value，而不是先被无条件平均。A 仍然直接进入 Head，保证对 B1 的公平比较。

F1 暂不加入 bbox、track GRU、人物自注意力或 audio-to-person 反向 attention；这些都留给
后续独立消融。

### 5.3 空人物和可变人数

- 始终保留 NULL person，因此全部人物无效时 attention 仍有确定输出。
- 真实人物用 padding 加 mask 组成 batch；padding token 不得参与 softmax。
- 不设固定身份 slot。若训练需要 max_people，只允许按确定、与标签无关的规则截断，并
  报告截断比例。
- 人物顺序改变后输出应在数值误差范围内不变，作为单元测试。

### 5.4 严格因果映射

对每个 5 Hz cutoff c_t：

1. 找到 frame_time 严格小于 c_t 的最新 local frame；
2. 读取该帧 frame_offsets 范围内全部逐人 feature；
3. 如果尚无帧，使用仅含 NULL person 的集合；
4. 不允许 nearest-neighbor 选到 c_t 之后的帧；
5. 记录 chosen_frame_time，测试所有 chosen_frame_time 严格小于 cutoff。

### 5.5 F1 必跑对照

| ID | 模型或干预 | 回答的问题 |
|---|---|---|
| F1-a | G+A+Frame-set Attention | 主模型 |
| F1-b | G+A+pooled V | 是否优于现有普通池化 |
| F1-c | 参数匹配的 learned pooling/MLP | 是否只是参数或非线性增加 |
| F1-d | correct set 换成 past-shifted set | 是否依赖正确时间 |
| F1-e | correct set 换成 wrong-clip set | 是否依赖正确画面 |
| F1-f | 随机排列同一 set | 验证 permutation invariance |
| F1-g | remove person set，仅 NULL | 视觉是否真正被使用 |

可额外训练逐人 active-speaker probe，但它只诊断人物和声音是否可对齐，不能替代 wearer
floor-action 结果。

### 5.6 F1 通过条件

必须同时满足：

1. correct F1 在训练内固定 dev 上稳定优于 B3 和参数匹配 F1-c；
2. correct set 优于 past-shifted、wrong-clip 和 NULL 控制；
3. 在相同 wearer onset recall 下，third-party false entry/min 下降；
4. wearer 应接话时的 recall/latency 和 wearer yield 不出现有意义退化；
5. 三个 seed 方向一致，paired session/event bootstrap 不显示收益完全由单一 session 驱动。

如果只提高逐帧 mAP 而事件指标无变化，则记录为 representation gain，不进入复杂 spatial
或 track 叙事。若 correct 与错误视觉没有差异，停止增加 attention 层，先审计 crop、
时间对齐和 person feature。

## 6. F2：加入空间人物交互

只有 F1 通过后才加入：

- 每人的归一化 bbox 几何：中心、宽高和面积；
- 一层共享 person self-attention；
- 可选相对几何 bias：dx、dy、宽高比的对数以及中心距离；
- 再由同一个 G+A floor query 读取增强后的人物集合。

关键对照为 F1、仅绝对 bbox、相对几何 bias 和错误 bbox。只有相对几何版本稳定优于这些
对照，才可以主张模型利用了多人空间关系；否则保留更简单的 F1。

## 7. F3：匿名 track-temporal 编码

只有空间或 frame-set 证据成立后，才测试跨帧人物连续性：

- 每条在线 track 维护共享参数的 causal GRU 或轻量 TCN；
- track ID 只用于路由隐状态，不能成为可学习身份；
- 只有新 2 FPS 帧到达时才更新一次，5 Hz 中间状态只读取最近缓存；
- track 丢失超过固定 max_age 后重置，所有 reset 规则预先冻结；
- 全局重命名 track ID 后预测必须不变。

对照包括 frame-set、无 ID temporal pool、正确 track、打断连续性的 track 以及 past-shift。
正确 track 必须优于无 ID 和打断 track，才能说明身份连续性有价值。

第一版实现为 `track-gru-residual`。它没有直接替换 pooled 头，而是从同 seed、同 split、
同 local contract 的 `G+A+pooled-V` checkpoint 精确复制并默认冻结 base path，再增加共享
track GRU、G+A 对 track states 的 masked attention 以及零初始化 scalar gate。这样训练
开始前 logits 与 pooled baseline 逐元素相同，空人物时 correction 恒为零，实验首先回答
“track continuity 是否提供增量信息”，而不会把随机重训 base 的波动误当作 GRU 收益。
实现、契约和命令见
[`easycom_track_gru_residual.md`](easycom_track_gru_residual.md)。

2026-09-07 的实测暴露了这个第一版参数化的优化缺陷：Session 12 三个 seed 的
ten-horizon mean mAP 配对增量仅为 `+0.01306 +/- 0.02368` 个百分点，保存 checkpoint 的
`tanh(gate)` 只有 `-0.0015` 到 `+0.0108`。零 gate 在第一步也会把 residual branch 的参数
梯度乘为零，因此该结果不能用于否定 track continuity。下一版应删除 scalar gate、将
residual 最后输出层零初始化，并在 dev 上记录 delta-logit、概率变化和非零梯度；详见
[`结果记录`](../results/easycom_track_gru_residual_4ep_2026-09-07/README.md)。

修正版已实现为 `causal-person-adapter-v2`，但尚无 GPU 结果。它仍从 matched pooled
`G+A+V` checkpoint 精确初始化并默认冻结 base；每条当前 track 经共享因果 GRU 后由 G+A
query 读取，再与直接 local audio 构成局部 state。模型使用逐样本向量 gate，并仅把最终
residual-logit projection 的 weight/bias 置零。这样初始 logits 与 pooled baseline
逐元素相同，第一次更新 residual output，后续更新才可进入 GRU、attention 和动态 gate。
运行契约与命令见
[`easycom_causal_person_adapter_v2.md`](easycom_causal_person_adapter_v2.md)。它保留 pooled V，
因此若结果通过，还必须补一个移除 pooled V 的 replacement ablation，才能决定最终方法。

为减少“GRU 具体写法”这一实验变量，另实现
`causal-person-adapter-egospeak-gru`：保留 V2 的所有下游融合与优化设计，只把逐人输入改成
EgoSpeak MiniROADA 风格的 `Linear-LN-ReLU-Dropout-GRU-ReLU`。这不是 EgoSpeak 的全局
5 Hz RGB+audio GRU 复现，而是人物 track 上的受控 temporal-stem 消融；运行说明见
[`easycom_egospeak_style_person_gru.md`](easycom_egospeak_style_person_gru.md)。

为直接检验“低频 Qwen crop 是否遗漏唇音动态”，另实现独立的
`highrate-person-av-attention` 分支。它不把同一张 2 FPS 人脸重复送进 GRU：MuVAP CPC 在
25 Hz 上只编码一次 mixed audio 得到共享 `U`，每条人脸轨迹另产生 causal visual state 和
一个 AV speaking score，只在每个 5 Hz 右边界保存。随后由 `G+U` query 做集合注意力，并
用零初始化 residual 修正已经训练且冻结的 matched `G+U` logits。它首先回答传统高频
audio/person 证据能否弥补全局 Omni，而不是检验 identity continuity。实现和命令见
[`easycom_highrate_person_av.md`](easycom_highrate_person_av.md)。

## 8. F4：Person-conditioned audio/Omni history

F4 让每个匿名人物分别读取已有的 5 Hz 因果历史：

    C_A = MHA(H_person, A_history, A_history)
    C_G = MHA(H_person, G_history, G_history)
    H_prime = LN(H_person + tanh(alpha_A) C_A + tanh(alpha_G) C_G)

alpha 从 0 初始化，使新分支开始时退化为已验证的人物表示。增强后的 H_prime 再由
G+A floor query 读取。

这里必须使用一段真实的 5 Hz token history，而不是对单个 pooled audio vector 做形式上
的 attention。人物级 active-speaker 标签可以作为训练辅助监督，但人物声音标签永远不能
作为推理输入。

通过条件是 floor event 指标改善，而不只是 active-speaker probe 改善；同时 correct AV
必须优于 audio-only、visual-only、错位 audio 和错位 visual。

## 9. F5--F6：只在旁路证据充分后增加复杂度

F5 可增加一次 audio query 到人物 memory 的反向读取，形成单块双向 interaction。必须和
参数匹配 MLP、单向 F4、modality dropout 做比较。若收益不稳定，保留 F4。

代码中的 `audio-person-frame-set` 只用当前帧人物集合和当前 pooled audio 做上述反向读取，
并以零初始化 gate 从 F1 开始优化。它用于判断是否值得继续构建 F3/F4 历史，不满足本节
完整 F5 的输入和对照要求。

F6 才把验证过的人物 memory 通过零初始化 gate 接入 Thinker 上层，并比较：

- 无人物 memory 的参数匹配 Thinker LoRA；
- 冻结 Thinker 的 person-memory adapter；
- adapter 加上层 LoRA。

若 F6 不优于旁路，不为追求端到端表述牺牲可解释性，论文采用更简单的旁路模型。

代码中的 `gated-person-state-adapter` 把当前人物 context 以零初始化 residual 加到已经保存
的最终 Thinker state，只是 post-Thinker screening control。真正 F6 必须重新运行 Omni、
在指定上层 transformer block 内注入 memory，并和参数匹配 LoRA 比较。

## 10. D1：实际在线检测与追踪

方法验证阶段先使用数据集提供的 bbox/track，隔离融合能力。最终再替换为在线人脸或人物
检测器加严格因果 tracker，并报告：

- detection recall/coverage；
- ID switch 和轨迹碎片；
- max_people 截断比例；
- P50/P95 单步延迟；
- provided track 与 online track 的 floor 指标差距。

论文可以把在线 detector/tracker 作为部署前端，但不能把 provided ID 的结果直接称为完整
在线系统结果。

## 11. 评价和记录规范

P0 冻结后，主指标为：

- third-party false entry/min at matched wearer onset recall，至少报告 R=0.7/0.8/0.9；
- wearer onset event recall、precision 和 latency；
- wearer yield event recall、precision 和 latency；
- addressed-to-wearer recall/latency，仅用于有可靠 addressee 标注的 EasyCom 子集；
- 0.2--2.0 秒逐帧 AP/mAP，作为 EgoSpeak 可比的次级指标。

每阶段结果放在：

    results/easycom_fusion_fN_<question>_<date>/
      README.md
      metrics.json or metrics.csv
      run configuration and checkpoint references

README 必须写明 split、seed、checkpoint、输入特征版本、评测协议和所有干预条件。最终
测试集不能反向用于选择 attention 维度、heads、历史长度或 stopping gate。

## 12. 最近执行顺序

1. 用 seeds 1--2 复核六个 oracle 条件；只看 Session 12，不能根据 Sessions 1--3 调整结构。
2. 从真实因果 AV 学习 aggregate visible-person activity/floor evidence，和 G+A、visibility、
   past-shift、wrong-person/wrong-time、参数匹配分支比较，并报告 oracle-gap recovery。
3. 若正确视觉没有稳定优于错时/错人控制，停止复杂 fusion，先修复局部编码或 AV 对齐。
4. 只有 learned person-organized evidence 优于 aggregate/no-ID 时，才用零初始化 residual
   输出层修复 track-GRU 梯度路径，并补 broken-track、past-shift 和 remove-person 控制。
5. correct track 通过上述控制后，再实现 F4 person-conditioned audio/Omni history；否则
   论文采用更简单的 global Omni + local aggregate floor-evidence 模型。
6. 在形成论文事件结论前，仍须完成 P0 competing-risk censoring，并人工打印 response 与
   yield 时间轴。当前事件结果只能称为 timing-derived proxy。