Add causal person track GRU residual experiment

literature_notes/02_egospeak.md

@@ -3,6 +3,8 @@
 - 会议：Findings of NAACL 2025
 - 阅读深度：深入阅读
 - 官方链接：https://aclanthology.org/2025.findings-naacl.163/
+- 官方代码：https://github.com/jun297/EgoSpeak
+- 本项目核对的代码 revision：`b5bee35e796d8f2d6aa7da2bf1b07836270f8bfb`
 
 ## 摘要（中文转述）
 
@@ -12,3 +14,14 @@ EgoSpeak 研究第一人称智能体在自然多人对话中“何时开口”
 
 它定义了本项目复现的核心协议：5 Hz 目标、多个未来预测时距、EasyCom/Ego4D 划分及 AP/mAP 评测。我们发现 EasyCom 中 wearer 与 others 可以同时为真，因此三路 softmax 的互斥输出与真实标签结构不完全一致；四状态 softmax 和独立 BCE 的消融虽更匹配标签结构，但当前四个 epoch 的收益很小，说明主要瓶颈可能不是输出空间。
 
+## GRU 实现核对
+
+官方 `MiniROADA` 将同一时刻的 RGB 与音频 feature 拼接，经
+`Linear -> LayerNorm -> ReLU -> Dropout` 后送入单层 GRU，再把每个 recurrent state
+映射成十个 anticipation hidden states 并共享分类器。EasyCom 配置使用 128 个 5 Hz
+step（25.6 秒）、stride 4、2048D embedding、1024D hidden 和 10 个 future steps。
+
+本项目的 `track-gru-residual` 没有复制这段实现，也不是该基线的复现：它把 GRU 参数在
+匿名人物轨迹之间共享，并用零门控残差修正 matched pooled Omni head。官方实现仍应作为
+单独的 sequence-GRU 强基线；逐人 track continuity 是否有效，需要 broken-ID/no-ID 控制
+而不能由架构名称推断。