docs: define speaker-grounded floor experiment plan

literature_notes/47_3m_transformer.md

@@ -2,12 +2,18 @@
 
 - 作者：Mehdi Fatan Serj、Emanuele Mincato、Dimitra Pintzou、Mariella Dimiccoli
 - 发表：ICASSP 2024，8050–8054
-- 阅读深度：作者机构摘要及正式会议信息筛选
-- 记录日期：2026-08-28
-- 来源：[作者机构](https://www.iri.upc.edu/publications/show/2887)、[DOI](https://doi.org/10.1109/ICASSP48485.2024.10448136)
+- 阅读深度：方法、数据、输入和预测协议重点阅读
+- 记录日期：2026-08-30
+- 来源：[论文](https://arxiv.org/pdf/2310.14859)、[作者机构](https://www.iri.upc.edu/publications/show/2887)、[DOI](https://doi.org/10.1109/ICASSP48485.2024.10448136)
 
 ## 摘要与项目关系
 
-在 EgoCom 的同步、多视角 embodied 对话数据上，通过多阶段、多流 multimodal transformer 预测轮次。强调不同人物视角和模态间的交互。
+在 EgoCom 的同步、多视角 embodied 对话数据上，通过多阶段、多流 multimodal transformer
+融合 audio/video/text，预测 1、3、5、10 秒后的 next speaker。EgoCom 包含三人对话，至少
+两人佩戴同步音视频眼镜；输入使用预计算视觉、说话人音频和 transcript embeddings，并聚合
+过去 4、5、10 或 30 秒。
 
-这是多人时序融合的相关工作，但 EgoCom 不等于 EasyCom，多个参与者摄像机也不同于单 wearer 视角。本轮未完整核对方法、输入因果性及代码，不能直接作为可复现命令来源。
+这是“多方＋第一视角＋AVT＋未来 next speaker”的直接先例。它与本项目的区别不能只写数据集：
+其系统依赖多位参与者的同步穿戴视角和已有文本，预测远期 speaker class；本项目目标是单个
+wearer 传感流下不可见 wearer 的 200ms 级 entry/yield 事件及误触发。论文表格中的高 accuracy
+还混合了 `Use Prior=True` 条件，不能与本项目逐帧 AP 或事件指标直接比较。