论文复现结果

[xila-123]

作者您好，我按照您在readme中描述的流程先进行了VQ-VAE的训练，训练的指令直接使用的您在readme中所提供的。之后我执行了Universal Training中的Multi-domain training的指令，得到的最优结果如下：
”2026-02-03 14:58:20,204 INFO Epoch 12
Loss: 0.0529
2026-02-03 15:02:21,139 INFO Evaluation result:
accuracy: 0.3034825870646766
Total F1: 0.45010134512622074
Hmloss: 0.0591179902954364
Score: 0.30969144499660173

2026-02-03 15:02:21,142 INFO Sleep Evaluation result:
accuracy: 0.7684729064039408
Total F1 sleep: 0.48162819623241576

2026-02-03 15:02:21,145 INFO FD Evaluation result:
accuracy: 0.9186217008797654
Total F1 FD: 0.9338259356774348

2026-02-03 15:02:21,148 INFO HAR Evaluation result:
accuracy: 0.833050559891415
Total F1 HAR: 0.7121882458750836

2026-02-03 15:02:21,151 INFO RWC Evaluation result:
accuracy: 0.7426095820591233
Total F1 RWC: 0.7416268840928726“
我上述得到的结果和您在论文中所展示的如下结果除了RWC这个数据集之外，其它数据集都相差较大啊，后续我也有尝试调整VQ-VAE针对各领域进行训练的参数，调整完之后再进行Multi-domain training，训练完的结果还是无法达到您论文中所展示的数据。我所使用的显卡为3090，环境也是按照您的requirements进行安装的，针对我的情况，要想复现您的实验的话，我应该做出哪些调整呢？

[zhjai]

您好，感谢您的反馈！

从您描述的实验流程来看，您很可能跳过了跨域自回归预训练这一步，直接进行了监督微调，这会导致模型效果与论文中的结果存在较大差距。

之前README 中的训练步骤确实不够清晰，容易造成误解。为此我已经做了以下更新：

新增了独立的跨域自回归预训练脚本 run_pretrain_universal.py，对应 README 中的 Step 2
更新了 README，将完整的训练流程明确为三个阶段：
Step 1: 训练各域的 VQ-VAE Tokenizer
Step 2: 使用 run_pretrain_universal.py 进行跨域自回归预训练（--dataset mix）
Step 3: 基于预训练模型进行监督微调（--adapt --load_model_path 加载Step 2 的权重）
建议您按照更新后的 README 重新跑一遍完整流程，先完成 Step 2的预训练，再在 Step 3 中加载预训练权重进行微调，效果应该会有明显提升。

如果按照新流程跑完后仍有问题，欢迎随时反馈！