Executable Boundary Contracts for Sound Event Traces

Resumen Técnico: Contratos de Límite Ejecutables para Huellas de Eventos Sonoros

Enunciado del Problema
Las actuales pruebas de referencia para la detección de eventos sonoros (SED) suelen comprimir el comportamiento de los límites temporales en métricas escalares como F1 a nivel de cuadro, F1 a nivel de segmento o F1 a nivel de evento con collares de tolerancia fijos. Aunque estos números resumen la superposición, oscurecen la naturaleza específica de los errores de límite. Un detector puede lograr una puntuación alta a nivel de cuadro al identificar correctamente el interior de un evento mientras falla en el inicio, el final o la duración, alterando así el "contrato de huella" ofrecido a los componentes aguas abajo (por ejemplo, sistemas de recuperación, decodificadores neuronales o puertas de voz). El artículo sostiene que un error de límite no es meramente una pérdida de superposición, sino un cambio en la huella operativa, sin embargo, las métricas estándar no exponen estos modos de fallo distintos (por ejemplo, liberación tardía frente a inicio prematuro, filtrado de silencio frente a actividad espuria) de una manera interpretable y ejecutable.

Metodología
El artículo propone un cálculo de contratos de límite ejecutables específico del dominio en lugar de una nueva lógica temporal de propósito general. La metodología se estructura en torno a tres componentes principales:

1. Lenguaje de Contratos de Dos Sortes:

   • Sorte de Cuadro: Un fragmento booleano acotado incrustable en Lógica Temporal de Señales (STL) tras la proyección a una cuadrícula. Utiliza fórmulas analizadas con átomos (por ejemplo, inicio de referencia, activo de predicción), negación, conjunción, implicación y modalidades acotadas (vecindad $N_\epsilon$, futuro $F_\epsilon$, siempre $G_\epsilon$, hasta $U_\epsilon$). Las fórmulas se evalúan sobre una cuadrícula de cuadros fija.
   • Sorte de Evento: Una capa que opera sobre secuencias activas máximas (intervalos semiabiertos) y una relación de coincidencia declarada. Incluye cláusulas tipadas para duración, fragmentación e identidad de intervalo indexada por clase.
   • Puntuación Restringida por Obligación: Para evitar la vacuidad de la implicación (donde una fórmula es trivialmente verdadera porque el antecedente es raro), las puntuaciones se promedian solo sobre cuadros o intervalos donde una "máscara de obligación" específica está activa (por ejemplo, puntuar la precisión del inicio solo en los cuadros de inicio de referencia).

2. El Monitor y el Protocolo de Auditoría:

   • Un analizador y un monitor deterministas evalúan el vector de contratos contra huellas finitas.
   • El sistema emplea un emparejador de intervalos codicioso (con una opción para emparejamiento exacto de cardinalidad máxima para auditoría) para aparear intervalos de referencia y predicción.
   • La salida es un vector de guarda (una lista finita de coordenadas) antes de calcular cualquier media escalar. Este vector separa el rendimiento en categorías distintas: guarda de inicio, guarda de final, actividad faltante, actividad espuria, protección de silencio, duración y fragmentación.
   • Calibración y Selección: La base del contrato se selecciona en relación con un conjunto de calibración declarado y un "orden de riesgo" escrito (por ejemplo, priorizando el soporte perdido sobre la distorsión de la duración). El contrato seleccionado es el conjunto más pequeño de coordenadas que separa los casos de fallo de mayor riesgo de los de menor riesgo.

3. Configuración Experimental:

   • Pruebas de Referencia Controladas: 960 elementos de entrenamiento y 420 de prueba generados a partir de segmentos de Mini LibriSpeech mezclados con tonos y ráfagas sintetizados, sometidos a perturbaciones controladas (ruido, reverberación, recorte, deriva de ganancia, jitter).
   • Corpus Real: Paisajes sonoros reales de MAESTRO con etiquetas fuertes suaves crowdsourced, evaluados bajo el mismo monitor.
   • Detectores: Seis detectores locales (basados en umbral, regresión logística, CNN temporales, CNN dilatadas y un modelo aumentado consciente del contrato) y una sonda de codificador congelado (wav2vec2, AST, HTS-AT, BEATs) evaluados con una cabeza de límite común.
   • Línea Base Externa: Se evalúa la línea base oficial de DCASE 2024 Tarea 4 para proporcionar una referencia a nivel de desafío.

Contribuciones Clave

1. Infraestructura de Medición Ejecutable: El artículo introduce un lenguaje de especificación finito donde las políticas de límite son fórmulas analizadas y cláusulas de intervalo, no heurísticas implícitas. Esto permite que la prueba de referencia informe un "vector de contrato" que hace inspeccionables obligaciones específicas.
2. Separación de Patologías de Huella: El marco distingue explícitamente entre diferentes modos de fallo (por ejemplo, desplazamiento de inicio frente a desplazamiento de final, sangrado de silencio frente a actividad espuria) que a menudo se colapsan en una única puntuación escalar.
3. Reproducibilidad y Auditabilidad: El artefacto incluye un tokenizador, un analizador, un monitor y verificaciones en Lean 4 para el núcleo de cuadros finitos. Cada tabla se regenera a partir de filas de origen, y el sistema soporta barridos de tolerancia para mostrar cómo cambian las conclusiones con el radio de límite.
4. Hallazgos Empíricos sobre Actividad de Unión vs. Actividad Tipada: El estudio demuestra que altas puntuaciones de "actividad de unión" (tratando todas las clases como una) pueden ocultar significativos "fallos de límite tipados" (errores en la identidad de clase o límites de clase específicos), una distinción revelada únicamente por el vector de contrato.

Resultados

• Divergencia de Métricas: Las puntuaciones estándar (F1 de cuadro, F1 de límite) y las coordenadas del contrato a menudo discrepan. Por ejemplo, un detector podría tener un alto F1 de cuadro pero fallar la guarda de silencio o la guarda de duración, indicando que superpone el evento pero no respeta el contrato de límite.
• Rendimiento de Detectores: El detector aumentado consciente del contrato (entrenado con supervisión de bordes y aumento) logró las puntuaciones más altas en la mayoría de las coordenadas de guarda (Lógica: 0.802, F1 de Límite: 0.829) en la prueba de referencia controlada. Sin embargo, diferentes detectores lideraron en diferentes coordenadas (por ejemplo, el flujo espectral lideró en inicio/final, CNN dilatada en actividad faltante), demostrando que ningún detector único es óptimo para todas las patologías de límite.
• Brecha del Corpus Real: En MAESTRO Real, las puntuaciones de huella de unión fueron altas (Lógica: 0.917), pero las puntuaciones indexadas por clase fueron significativamente más bajas (Lógica: 0.542). El análisis del mecanismo atribuyó esto a la escasez de clases, el desequilibrio de soporte y la suavidad de la anotación, confirmando que las métricas de unión pueden ocultar fallos tipados.
• Sensibilidad a la Tolerancia: El barrido de tolerancia reveló que algunos métodos parecen robustos solo bajo tolerancias laxas, mientras que otros mantienen el rendimiento bajo límites estrictos. El vector de contrato expone esta dependencia.
• Codificadores Congelados: Los codificadores preentrenados (por ejemplo, wav2vec2, BEATs) mostraron capacidades variables para preservar la estructura temporal cuando están congelados, con algunos fallando en mantener la precisión de los límites a pesar de una alta evidencia a nivel de cuadro.

Significado y Afirmaciones
El artículo afirma modestamente proporcionar un estudio de medición basado en contratos para huellas de eventos sonoros en lugar de una nueva lógica temporal general o un ranking de detectores. Su significado principal radica en:

• Cambio de Medición: Pasar de la agregación escalar a un vector ejecutable que separa inicio, final, actividad faltante, actividad espuria, silencio, duración y fragmentación.
• Transparencia de Políticas: Hacer explícita la política de límite (tolerancia, reglas de emparejamiento, máscaras de obligación) y convertirla en parte del objeto de la prueba de referencia, en lugar de un paso de postprocesamiento implícito.
• Utilidad Diagnóstica: Proporcionar una explicación estructurada del fallo del detector que permite a las aplicaciones aguas abajo seleccionar detectores basándose en perfiles de riesgo específicos (por ejemplo, una puerta de voz priorizando la actividad faltante frente a un sistema de recuperación priorizando la fragmentación).
• Reproducibilidad: Asegurar que cada resultado se derive de una pipeline determinista y auditable con código fuente, analizador y verificaciones Lean disponibles.

Los autores enfatizan que el "contrato" es relativo a la tarea; el conjunto específico de guardas se justifica por un conjunto de calibración declarado y un orden de riesgo, no por un teorema universal. El trabajo sirve como base para hacer de la evaluación de límites un proceso verificable, reproducible e interpretable.