综述：可见-近红外化学计量学中的卷积神经网络：从矛盾到条件化设计

《TRAC-TRENDS IN ANALYTICAL CHEMISTRY》：Convolutional neural networks in Vis–NIR chemometrics: From contradiction to conditional design

　　

近红外光谱（NIR和Vis-NIR）广泛应用于食品、农业、制药、过程分析技术（PAT）和生物过程监测中的快速、无损分析。然而，在NIR化学计量学中的深度学习研究经常报告关于卷积神经网络（CNN）设计的相互矛盾的结论：小卷积核与大卷积核、浅层架构与深层架构、原始光谱与预处理、紧凑模型与多尺度网络、以及随机划分性能与迁移鲁棒性。本综述认为，这些明显的矛盾大多源于不完整的条件化，而非本质上不相容的结果。CNN在NIR化学计量学中的性能取决于光谱物理、数据集规模、采集协议、验证设计和部署场景之间的相互作用。因此，研究人员围绕三个核心调节因子组织文献。首先，NIR信号是间接的、高度共线性的，并且通常受宽重叠谱带、散射、温度和基质效应主导。其次，卷积设计选择应通过感受野推理来解读：卷积核大小、深度、膨胀和多尺度分支决定了模型可用的波长跨度，而有效感受野决定了该跨度中实际使用的部分。第三，验证设计可能充当一个隐藏的超参数，因为随机划分可能有利于利用共享批次、仪器、季节或工艺运行结构而非可迁移化学信息的架构。基于这些要点，研究人员提出一个条件化设计框架，其中预处理、架构、超参数调优、迁移评估、可解释性和可重复性被视为建模流程中的耦合组件。目标不是确定一个普遍最优的NIR光谱CNN，而是推动CNN-NIR化学计量学迈向物理感知、偏移感知和可重复的模型比较。

1. 引言
近红外光谱（NIRS）覆盖约750–2500 nm，是食品、农业、制药、过程分析技术（PAT）和生物过程监测中快速、无损质量评估最实用的分析工具之一。其应用价值源于分子基本振动的泛频和合频带（主要是O–H、C–H和N–H伸缩模式）可在最小样品制备下被探测，从而支持高通量筛选和在线监测。然而，相同的光谱物理特性也使数据结构异常复杂：吸收带宽且高度重叠，波长共线性高，光谱受物理效应（如温度、散射几何、光程变化和仪器响应）强烈调制。鉴于该技术的广泛应用范围以及从这类数据中提取稳健化学信息的持续困难，化学计量学界转向深度学习（DL）作为潜在建模工具只是时间问题。然而，NIR化学计量学中的DL模型设计并不直接类似于大多数现代架构开发和验证的常见DL基准。使用DL并未消除NIR化学计量学的经典约束（相对较小的数据集、强波长-波长共线性、以及仪器、温度、散射、包装等引起的域偏移），这些约束可能主导误差预算；相反，它将这些约束转移到了架构设计问题中。这使得NIR化学计量学建模仅部分可比较于计算机视觉等大规模、标签丰富且相对标准化的领域，而许多当代DL设计习惯正源于该领域。
在一维卷积神经网络（1D-CNNs）中，用于光谱回归和分类的架构已引起广泛关注，多项研究报告相对于偏最小二乘（PLS）回归等经典化学计量学基线具有竞争性（且通常更优）的性能。然而，文献中反复出现一个实际上有问题的模式：几乎所有主要设计决策都存在相互矛盾的结论。一些研究偏好紧凑、单卷积或浅卷积核架构，而另一些则报告多尺度、残差或膨胀设计对于获得稳健性能（尤其在偏移下）是必要的。类似地，一些研究者认为端到端原始光谱输入可使预处理变得多余，而另一些则证明将预处理与深度学习结合能带来明显收益。净效应是，该领域中架构选择常事后辩护（通过选择性引用），从业者面临看似矛盾的推荐图谱。
尽管NIR化学计量学中的DL应用快速增长，但证据基础仍跨应用领域和期刊渠道分散。最近的综述记录了食品分析、通用NIR光谱和AI辅助光谱学中的这种扩展，但也表明不同论文在样本量、光谱范围/分辨率、预处理、调优策略、划分设计和外部验证的报告方面存在显著差异。与机器学习中少数研究社区在架构、目标和基准上系统性迭代的领域不同，NIR DL文献大多由应用驱动。研究通常将现有模型适配到特定数据集，强调预测结果，而对架构机制、归纳偏置、协议敏感性或数据/代码可用性的分析有限。一个实际后果是证据基础跨异质渠道扩散，从核心化学计量学期刊到分析化学、食品质量、仪器、石油、制药和工程期刊，使得追踪、比较和累积性解读什么构成真正的NIR-CNN架构设计方法进步变得困难。

2. Vis-NIR光谱中间接测量的物理原理
为理解CNN设计矛盾为何在NIR化学计量学中出现，需从模型试图学习的信号物理本质入手。与中红外光谱中基本振动模式通常产生相对尖锐且分离良好的吸收带不同，近红外区域由泛频和合频带主导，这些带固有地宽、弱且严重重叠。以完整水果质量评估为例，在短波NIR（SW-NIR）或Vis-NIR窗口（约500–1200 nm）中，光谱景观通常由水中O–H伸缩的第二（和第三）泛频主导，中心约970 nm，半峰全宽（FWHM）约50–100 nm（取决于温度和基质组成）。一个典型例子是新鲜水果中可溶性固形物含量（SSC，常以°Brix报告）。SSC主要由糖类组成，这些碳水化合物的C–H泛频特征出现在Vis-NIR区域，最显著的是在910–930 nm附近的第三和第四泛频，在850–870 nm附近有较弱贡献。然而，在高水分基质中（通常85%–90%水），这些与糖相关的贡献实际上被淹没在主导水包络的肩部和侧翼中，可能接近仪器噪声基底。因此，一个核心可信度问题自然产生：如果“糖峰”不能从水包络中清晰分辨，那么模型在报告高预测精度（如R2>0.9）时实际上测量的是什么？研究人员认为，答案通常不是以分析物为中心的光谱学（即“模型直接测量糖吸收”），而是以基质为中心的光谱学，其中分析物以系统方式调制水主导的背景。在此方面，可使用水光谱组学（aquaphotomics）框架，该框架由Tsenkova等人提出，形式化地指出生物系统中的水不是单一光谱物种，而是氢键分子组装体的动态平衡。不同结构群体（如弱氢键“自由”水、小簇和四面体配位网络）在略微偏移的波长处贡献复合吸收包络。溶质浓度、温度或微结构的变化可扰动此平衡，从而以可重复且可学习的方式变形宽水带。此推理可适应其他类型的化学基质和易受不同类型干扰物影响的化学计量学任务。实际上，SSC预测的信息信号可能是970 nm水带形状的微妙变化，而非孤立的碳水化合物峰。因此，表现为“化学预测”的实际上可能是通过水结构动力学和散射效应介导的，这些效应与目标性状共变。这不是NIR光谱的弱点，而是其在水富集基质中的定义特征。然而，它确实意味着模型设计（尤其是验证设计）必须与此间接测量机制对齐。第二个含义是NIR模型易受通过相同水主导通道起作用的干扰因素影响。温度变化可移动和重塑水带，改变氢键平衡，并改变表观分析物关系。散射变化（如来自颗粒大小、质地、包装、探头接触、光程或表面几何）也可引起与采集批次内强相关的乘性和基线效应。因此，在给定数据集内的强性能本身不应被解释为模型已学习到化学可迁移关系的证据。在NIR数据中，CNN可能转而利用在校准域内稳定的相关性，如仪器特定基线、散射模式、温度依赖性变化、包装效应或样品呈现伪影，但当采集条件改变时这些相关性会失效。此区分对于解读基于CNN的NIR研究至关重要。架构选择（如卷积核大小、感受野和多尺度处理）决定了模型能优先利用哪些光谱结构，而采集和评估协议决定了这些结构是否真正稳健。因此，关于NIR化学计量学中CNN性能的结论不仅取决于网络架构，还取决于是否使用适当的验证策略。

3. 卷积、感受野与卷积核大小之争
在确立物理信号结构后，可考察1D-CNN如何与NIR光谱相互作用，以及为何卷积核大小之争（小 vs 大）难以达成共识。一维卷积应用于光谱输入向量x，核w大小为k，在每个位置i计算滑动内积。卷积核大小k定义了每个单元（或神经元）在每一步处理的时间窗口（即连续波长通道数）。此选择不是中性的架构细节，因为它设定了关于网络能有效表示的光谱结构尺度和类型的强归纳偏置。在深度学习中，卷积通常指学习到的互相关（核不反转），其滤波器系数从数据优化，而经典信号处理中卷积是固定、预定义的线性操作，核反转，通常用于实现特定物理/分析滤波器。小卷积核（通常k=3或5）充当局部特征检测器。在光谱域中，训练后的k=3核可近似一阶差分（局部斜率）或二阶差分（局部曲率）算子，有效学习导数类预处理步骤。事实上，多项研究报告在原始光谱上训练的第一层CNN滤波器收敛于导数类或平滑类操作，从而以数据驱动方式重新发现了化学计量学家长期以来明确实现的步骤（如Savitzky-Golay导数）。这种联系并非偶然：导数预处理抑制基线偏移和低频漂移，而学习类似变换的CNN正响应相同的优化压力。大卷积核（如k=11,21,31+）发挥不同作用。单个大核可跨越宽光谱特征的相当部分，从而充当波形模式匹配器。它能编码肩部的曲率、包络的不对称性或谱带的整体“形状”。小卷积核通常仅感知近线性段，而大卷积核可纳入更宽上下文并区分形状与趋势。此区分直接映射到前述物理特性。如果SSC预测的信息信号是970 nm水带的微妙变形，例如带中心的小偏移或FWHM的5%–15%变化，则模型必须比较相对宽波长区间内的强度。在典型波长采样间隔1–3 nm每通道下，第一层k=3卷积最初仅从约3–9 nm光谱中聚合信息，即一个单元的局部感受野。这仅是可能跨越50–100 nm特征的窄切片，在此范围内谱带几乎呈线性。而第一层k=31卷积则跨越约30–90 nm，可直接编码局部包络是宽还是窄、对称还是偏斜。然而，当信息向更深卷积层传播时，即使小核特征也能聚合为大特征。这是VGG风格图像网络（牛津视觉几何组）的架构教训，其中多个小3×3卷积堆叠以近似大滤波器的感受野，同时引入额外非线性。此原理同样适用于一维光谱CNN。在示例中，左层代表输入光谱，Conv. L1和Conv. L2是连续两个卷积层。在k=5、步长s=1、膨胀d=1下，Conv. L1中的单元具有5个输入波长通道的理论感受野（RF）。Conv. L2中的单元具有9个输入通道的RF，因为它结合了5个相邻Conv. L1激活，这些激活具有重叠的输入支撑。然而，在NIR化学计量学中，这应仅作为架构类比来解读。相关的问题不是堆叠是否能扩展理论RF，而是从小型、高度共线性数据集中学习到的有效感受野（ERF）是否覆盖化学信息性的波长尺度，并且在真实光谱偏移源下保持稳健。一般地，经L个卷积层后的理论RF可写为RF_L=1+∑_i=1^L(k_i-1)d_i∏_j=1^i-1s_j，其中k_i、d_i和s_i分别表示层i的卷积核大小、膨胀因子和步长，对于i=1，乘积项取为1。理论RF因此是光谱CNN的有用一阶设计量，因为它将架构选择（卷积核大小、深度、步长或膨胀）与物理可解释的波长跨度联系起来。在NIR化学计量学中，这比将卷积核宽度视为纯经验超参数提供了更原则性的起点：可访问的光谱上下文可与化学信息性谱带、肩部或基质诱导包络变形的预期宽度进行比较。然而，此解释应用作设计先验，而非训练网络实际利用内容的保证。理论RF定义了可能影响给定激活的最大输入区域，但有效感受野（ERF）描述了该区域中对输出有实质性贡献的子集。对于应用于图像的CNN，Luo等人表明ERF通常小于理论RF，且常呈现以中心为中心的高斯状集中。直观上，这是因为中央输入位置通过比外围位置更短的路径连接到深层单元，使其梯度积累更强。因此，理论RF的边缘对学习表示的贡献呈指数级减少。类似警告适用于一维化学计量学CNN：小核CNN可能具有名义上RF（在深层）达到宽吸收带的一部分，而ERF可能仍集中在局部肩部或斜率段。此区分对Vis-NIR光谱至关重要，因为水带和基质诱导包络变化可跨越数十个波长通道。因此，基于RF的推理可指导卷积核大小、深度、膨胀和多尺度设计，但所得架构仍应被解读和验证，同时意识到模型使用的实质性光谱证据可能比理论RF窄。增加深度可扩展理论RF且通常也扩展ERF，但在小型化学计量学数据集中，必须与优化困难、过拟合风险、正则化、调优预算和验证设计相平衡。此观察澄清了为何“小卷积核 vs 大卷积核”之争常被混淆。通常被简单描述为卷积核大小变化的改变，也改变了或与理论RF、ERF和总参数数量交互。膨胀卷积尤其说明了这一点：通过在核元素间插入间隙，膨胀快速扩展理论RF（通常随深度增加），同时保持小核的参数效率。在Vis-NIR设置中，这可解释为一种机制，用于比较与宽特征宽度相当的波长间隔上的强度，即实现导数类或对比类操作，且光谱尺度可控。为隔离论证几何，考虑一个输入和一个输出通道，忽略偏置项。一个紧凑CNN，k=3且三个非膨胀层，理论RF为7，但可能ERF更小，在此简化单通道情况下三个层共有9个核系数。更一般地，参数数量随每层输入和输出通道数缩放。单个k=31层具有31个波长通道的可访问跨度，每输入-输出通道对31个系数，尽管学习到的权重仍决定该跨度的实际使用部分。三层k=3网络，膨胀因子1、2、4，达到理论RF为15，与单通道系数计数相同。因此，这些不仅是不同的“卷积核大小”，而且是在不同参数化下的不同归纳偏置。因此，当研究比较“小”和“大”卷积核而不匹配或至少明确报告理论RF、ERF相关行为、通道宽度、总参数数量、优化器、正则化和验证协议时，所得性能差异难以解读。此警告在小数据集场景中尤其重要，其中参数效率和正则化往往与架构表达能力同等重要。多尺度架构提供互补策略。Inception风格模块通过并行分支处理输入，使用不同卷积核大小，并拼接所得表示，使后续层能学习分配给每个尺度的权重。这对于窄特征（如可见光中与色素相关的带）与宽包络共存的光谱特别自然。DeepSpectra、IPA及后续多尺度NIR架构遵循此逻辑：大核分支可捕获宽带变形，小核分支捕获局部边缘或窄带，模型能以任务依赖方式学习尺度相关性。最近的生物加工应用将相同想法扩展到食品和农业基质之外，表明多分支CNN可直接从NIR光谱中从复杂微生物发酵系统中提取多分析物预测特征。最终，卷积核大小之争最好被重新定义为ERF相对于信息性特征宽度的问题。一旦采用此框架，看似矛盾的文献结果变得可预期而非令人惊讶：专注于窄光谱窗口、尖锐特征或由局部判别线索主导的分类任务的研究可能偏好小核设计；涉及宽带、潜在物理性状回归和水主导光谱的研究则倾向于大ERF，无论通过大核、膨胀、深度还是多尺度处理实现。

4. 验证设计作为隐藏超参数
即使架构比较在ERF和参数数量方面得到严格控制，第二个主要矛盾来源仍然存在：验证协议。在许多CNN-NIR研究中，数据如何划分为训练集、验证集和测试集的选择受到的关注远少于网络架构。然而，其对报告性能及模型排名的影响，取决于部署偏移的幅度，可能相当或超过许多单个架构变化的影响。核心问题是NIR光谱数据集很少由独立同分布（i.i.d.）样本组成。例如，同一周内同一果园收获的水果可能共享潜在结构（如成熟阶段、温度历史和散射几何）。同一仪器同一会话中采集的光谱可能共享仪器响应特征。同样，在生物过程或在线监测中，光谱通常从演化系统中顺序采集，因此相邻光谱可共享批次历史、反应器状态、培养基组成、操作者决策以及采样或采集协议特征。当此类相关样本通过随机划分（常见默认方式）分配到训练集和测试集时，性能估计可能被夸大。在此方法下，模型在共享训练集系统结构的数据上进行测试，精度指标部分反映此共享结构，而非在全新、未见条件下的真实预测能力。此问题之所以出现，是因为随机划分隐式评估了在采样采集域内的插值，假设训练和测试样本近似可交换。然而，在许多化学计量学应用中，相关部署问题不仅是模型能否预测来自相同采集分布的新样本，还包括模型在仪器、批次、季节、温度、散射、样品呈现、反应器状态、采集协议或工艺轨迹的结构化偏移下是否仍然有效。实际上，这意味着随机划分下获得的模型性能可能无法在更现实的评估（包括仪器转移、季节转移、时间块、批次块或工艺运行块评估）下持续。一些代表性例子说明了这一点。Mishra和Passos表明，在域内训练和验证的CNN在转移到不同便携式光谱仪时遭受严重退化。Walsh等人发现，在域内评估中看似不必要的预处理策略在维持季节性偏移下的精度时变得关键。Dirks和Poole证明，自动超参数优化与偏移感知验证协议（如时间块交叉验证）结合时，选择的架构与随机划分所偏好的不同。在这些设置中，更简单的化学计量学基线有时能胜过更深层CNN，并非因为CNN固有更差，而是因为深层模型可能被优化以利用不泛化的域内结构。此观察具有更广泛含义：目前化学计量学中关于CNN架构的许多争论可能被验证设计混淆。当论文A报告ResNet优于PLS，论文B报告相反时，差异可能反映残差连接，但也可能反映测试集是否与训练集共享果园、季节、仪器、温度、批次或操作者效应。因此，在该领域采用结构化验证协议作为报告标准之前，跨研究的架构比较仍难以调和。最后，验证设计与超参数调优强交互。架构、学习率、优化器、批量大小、归一化层、正则化强度（dropout、权重衰减、早停）、数据增强和预处理选择应针对代表预期部署条件的验证目标进行调优。如果验证集与训练集共享干扰因素，调优将倾向于选择利用这些干扰因素的模型，且如果相同数据用于选择和评估，模型选择偏差可能泄露到最终性能估计中。因此，自动超参数优化不仅是便利，而且是公平比较的方法论要求，前提是验证协议本身是偏移感知的并与实际部署场景对齐。此原则也可用于构建具有改进稳健性的CNN。例如，Mishra和Passos等人使用不同水果的光谱来调优CNN干物质预测的超参数，导致模型识别跨物种的公共信息性带，从而增加稳健性。然而，实际上，验证感知调优计算量很大：CNN和其他高容量神经架构即使在小型光谱数据集上，一旦预处理选择、架构变体、随机种子和块验证方案纳入搜索，也可能需要大量训练时间。计算预算因此成为实验设计的一部分，应与搜索空间、验证协议和独立运行次数一同报告。“在随机留出集上调优”与“在季节块、批次块、温度块或仪器块留出集上调优”之间的区别不是技术细节；它可能是选择稳健模型与选择过拟合模型之间的差异。

5. 映射矛盾
表2通过提出的条件化框架视角总结了代表性CNN及邻近光谱DL研究。它不旨在按性能排名，而是将每项研究映射到关键调节因子（如域、数据规模、架构/RF含义、验证、预处理等），以帮助解释为何看似矛盾的CNN设计结论可以共存。该表明确了解释明显矛盾所需的研究特征。表3随后总结了当前Vis-NIR化学计量学文献中存在的CNN设计主要矛盾。在其中，研究人员组织每个有争议的选择、支持每项立场的证据，以及可能解释分歧的调节变量（连同能解决分歧的提议测试）。“小卷积核 vs 大卷积核”之争可能是最频繁遇到且同时最差框架的。如前述章节所述，这根本上是关于ERF相对于信息性特征宽度的问题。因此，比较“小”和“大”卷积核而不均衡ERF和参数预算的研究实际上是在测试一个混淆的比较。尽管其结论在该特定设置中可能内部有效，但难以泛化。“原始光谱 vs 预处理”辩论值得特别关注，因为它常被作为原则问题讨论，而非作为预处理与学习模型在实践中如何交互的问题。如果CNN能在其早期层学习导数类操作，显式预处理可能看似多余。然而，此论证低估了两个实际现实。首先，从数据中学习稳健的预处理替代品需要足够的训练覆盖，而NIR化学计量学典型的小型数据集可能无法提供足够信号让网络与预测任务联合可靠地学习最优变换。其次，某些预处理操作如乘法散射校正（MSC）或标准正态变量（SNV）归一化，针对物理效应（如颗粒大小和散射），这些效应在很大程度上与化学标签正交。从机器学习角度看，这意味着神经网络几乎没有动力仅从化学监督损失中可靠地学习它们。因此，研究人员提出的主动解决方案不是选择立场，而是将预处理视为整个模型设计空间的一个共同设计（且共同优化）组件，并将其明确纳入超参数优化。这当然不是新事物，因为将预处理与模型（通常非DL）一起优化是化学计量学家的常用方法。迁移学习冲突凸显了超出架构的实际瓶颈。跨仪器、季节和生产条件的校准转移在深度学习之前很久就是NIR光谱的核心。深度学习引入了强大工具（如微调预训练表示、域对抗训练或自监督预训练），但也引入了新的失败模式，因为深层模型能高效编码仪器特定特征。因此，关键方法论要求是在受控目标标签预算下评估迁移，即需要多少来自新域的标记样本才能恢复可接受的精度（零样本、少样本和全微调）。没有此信息，关于“可迁移”架构的主张仍难以证实。一个额外且潜在互补的方向是设计具有显式上下文适应或测试时计算机制的模型，即能在推理时使用少量目标域样本来调整其预测，而非仅依赖离线微调。尽管此范式在NIR化学计量学中尚未广泛探索，但对于校准转移可能特别有影响，因为通常需要快速适应新仪器或操作条件。一个最终的交叉限制是可重复性。许多CNN-NIR研究依赖专有或应用特定数据集，仅报告聚合性能指标，而确切样本标识符、划分种子、采集块、预处理设置和调优预算并不总是可获取。结果，很难确定报告差异是反映架构机制、划分组成还是数据中未报告的相关性。这也阻止了在匹配RF/参数预算、替代预处理选择或偏移感知验证协议下的独立再分析。因此，数据可用性、代码可用性和划分报告应被视为CNN-NIR比较证据权重的一部分，而非行政细节。当原始光谱无法发布时，作者至少应报告样本来源和分块变量，并提供固定的训练/验证/测试索引或明确的划分生成规则，以便可重复地测试架构主张。

6. CNNs与基于Transformer的光谱模型
尽管本综述聚焦于CNN，但基于Transformer的模型和混合CNN-Transformer模型在光谱分析中日益相关。概念对比很简单：CNN施加局部性先验：首先共同处理邻近波长，更大尺度上下文通过更大核、深度、膨胀、池化或多尺度分支出现。Transformer用对标记化输入的注意力代替此固定局部先验，允许远距离波长区域直接交互。这吸引于光谱学，因为化学相关特征可能波长分离，且宽基质效应可能需要比较非相邻区域。高光谱Transformer模型如SpectralFormer显式利用光谱序列结构，并表明基于注意力的模型能捕获高维光谱数据中的带间依赖性。鉴于注意力在Transformer中的核心作用，若干研究探索了CNN扩展不同注意力机制。然而，注意力的优势并未消除上述强调的调节因子。首先，Transformer通常比紧凑CNN更数据饥渴，除非使用强先验、预训练或混合标记器；这限制了许多化学计量学数据集。由于标准Transformer不固有地编码卷积中内置的局部权重共享和平移等变性，它们为沿波长轴检测局部斜率、肩部和带形状模式提供了更弱的先验。除非通过卷积标记器、光谱块、相对位置编码、预训练或其他架构先验引入局部性，这些关系必须更直接地从数据中学习，增加了小型化学计量学数据集中的样本量需求和过拟合风险。其次，注意力图不是自动机制解释：它们识别标记之间的学习交互，但仍在被化学解读之前需要忠实性、稳定性和随机化检查。第三，在仪器、温度、批次或季节偏移下的稳健性仍是经验性问题。当CNN前端捕获局部光谱形状而注意力层建模更长程依赖时，混合CNN-Transformer模型可能有用，与视觉文献中的卷积标记器设计一致，但应在相同划分、调优预算、预处理搜索空间和目标域标签预算下与CNN和PLS基线进行比较。因此，尽管Transformer拓宽了架构空间，但它们尚未提供通用设计配方；它们继承了相同的物理感知先验和部署对齐验证的需求。

7. 条件化设计框架
上述证据支持一个组织原则：基于CNN的Vis-NIR化学计量学中的架构选择是条件性的，依赖于光谱物理、数据规模、采集协议和预期部署场景的交互。原则上可能存在单个“最佳”架构，但当前文献不支持CNN设计的通用配方。下面提出一个框架或决策工作流，可指导用户为特定数据集找到合适架构，而非固定架构处方。它应基于：元素1：核尺度作为物理对齐先验。核设计应与信息性光谱结构的预期宽度相关联。一个实用的起始规则是将核大小表达为相对于预期谱带变形宽度的波长样本单位。如果信息性变形跨越w个光谱点（例如，80 nm水带变形在2 nm分辨率下对应w≈40点），则初始核在约w/8到w/2范围内（下限为3）提供了比从计算机视觉启发规则借用的固定值更可辩护的起始先验。此范围不应被视为配方：它是待压力测试的搜索空间锚点。重要的是，应交叉检查产生的网络级ERF，以确保模型原则上能“看到”完整特征范围。多尺度模块和膨胀提供了稳健折中，因为它们减少了对任何单个手动选择核尺度的依赖。元素2：深度、容量与小数据规模。对于主导化学计量学实践的小到中等数据集（通常n<1000），更深的模型以增加过拟合风险和调优敏感性为代价来换取表示容量。因此，对深度、通道宽度、学习率、优化器、批量大小、批归一化、dropout、权重衰减、早停和学习率调度的自动超参数搜索不是奢侈品，而是严格模型比较的方法论必要性。关键要求是调优中使用的验证目标必须代表目标部署条件：针对随机域内划分调优倾向于选择利用域内相关性的模型，而针对季节块、批次块、温度块或仪器块划分调优倾向于选择对相关偏移源稳健的模型。元素3：预处理作为共同优化的分类因子。将“原始 vs 预处理”视为二元选择似乎是错误的两难。预处理类型（无、SNV、MSC、EMSC、一阶导数、二阶导数、平滑、基线校正及其组合）应作为分类超参数纳入联合优化空间，与架构和训练参数一起。这使得自动搜索能够发现预处理-架构交互，而非在优化另一个之前固定一个组件。CNN能学习导数类第一层滤波器的观察并未消除显式预处理的价值；它意味着最优管道是数据依赖的，应经验选择。元素4：采集和可迁移性作为一阶目标。在实际部署中，模型将不可避免地遇到训练数据中未代表的仪器、季节、批次、温度、操作者、基质或环境条件。因此，采集协议和迁移就绪管道（如微调策略或域适应技术）应从一开始就设计到工作流中，而非在域内性能优化后改造。迁移主张的最低报告标准应包括零样本（无目标标签）、少样本（10–50个目标标签）和全微调条件下的性能，分别报告以使实际适应成本明确。操作上，工作流可总结如下：（1）识别预期光谱特征宽度和主要干扰因素（温度、散射、仪器、批次、季节）；（2）将特征宽度转化为初始ERF/核/膨胀/多尺度搜索空间；（3）将预处理和非核训练选择纳入同一优化预算；（4）选择阻塞部署相关干扰因素的验证划分；（5）报告数据/代码可用性、跨种子的不确定性以及目标域标签预算；（6）仅在忠实性和稳定性测试后解释模型归因。这些步骤是有意条件性的。它们帮助研究人员设计可辩护的比较，但不能替代对目标矩阵的经验验证。

8. 可解释性作为验证协议
基于CNN的NIR化学计量学中的可解释性在两个耦合层面运作：（i）光谱-化学解释（哪些波长或光谱区域对预测有贡献，以及它们是否与已知分子分配一致？）和（ii）模型机制解释（网络的内部计算如何产生预测？）。大多数已发表工作主要处理第一层面，通常通过生成显著性图、注意力权重可视化、SHAP/LIME类型局部解释或扰动剖面，然后检查高亮波长是否与已知吸收带重叠。第二层面较少被处理，但可通过分析学习到的第一层滤波器、中间特征图、通道激活或移除假设编码特定光谱尺度的分支/滤波器的影响来探究。虽然直观，但此实践面临一个核心限制：合理性不是机制的证据。再次以水果光谱为例。一个突出970 nm水带用于SSC预测的显著性图与水光谱组学介导的机制一致，但也与训练域内与SSC相关的干扰因素（如温度驱动的水位移或散射伪影）一致。此外，流行的加性解释方法如同SHAP或LIME假设局部特征独立性。此假设受到光谱数据极端共线性的严重挑战，其中相邻波长由宽分子振动物理耦合；因此，点状归因可能分散、不稳定或误导性地集中在噪声伪影上，如果共线性未明确处理。没有额外测试，合理归因难以与干扰因素介导的归因区分。因此，研究人员认为，该领域的可解释性应作为证伪协议而非事后叙事发挥作用。至少，可解释性分析应包括以下操作检查：忠实性：量化当高亮区域被移除、置换、遮挡或重新插入时性能或预测的下降。稳定性：跨随机种子、自举重采样和合理预处理变体重复归因。健全性检查：对随机化标签或随机化权重计算归因，以确保解释方法不生成虚假光谱结构。方法一致性：比较基于扰动、基于梯度、基于分解以及基于滤波器/特征图的分析，以识别跨方法一致高亮的区域。这些定量检查应辅以与光谱先验的比较（如水敏感区域、分析物合频带和色素特征），以评估归因是否物理有意义。对于水主导性状如SSC，水光谱组学视角建议一个具体的、预注册的可解释性标准：肩部敏感性。如果预测确实由溶质诱导的宽水带变形驱动，归因应集中在侧翼（即肩部）而非峰值最大值，因为由带位移或FWHM变化引起的强度变化在吸收剖面的最陡斜率处最大。此上下文中的预注册意味着在模型训练或解释检查之前指定肩部区域波长边界、扰动窗口、指标退化的预期方向以及支持提议机制所需的最小退化阈值。此预测可通过目标肩部区域消融实验进行测试，提供定量且可证伪的测量机制测试，而非纯粹定性视觉评估。与光谱-化学解释相比，机制可解释性在CNN-NIR化学计量学中仍大多未发展。在此设置中，机制不应仅意味着归因剖面与化学合理带重叠；它应意味着一个提议的计算路径可从光谱扰动到内部表示再到预测进行测试。现有工作提供了此方向的部分例子：卷积滤波器被解释为学习到的光谱变换或预处理操作，归因方法被用于比较CNN依赖性与PLS/VIP类光谱重要性及已知振动分配，基于扰动的测试可量化高亮区域是否实际上对预测必要。然而，真正的机制级证据仍不常见，因为许多分析止于视觉合理的显著性图或滤波器形状。神经网络机制可解释性在NIR化学计量学中特别具有挑战性，因为卷积块学习到的角色可能随数据集分布、预处理、化学计量学目标、样本基质和采集条件而变化，且该领域缺乏标准化NIR基准套件来测试这些角色是否跨任务泛化。

9. 讨论
本综述的核心观点是，CNN-NIR论文中的许多超参数矛盾不是混乱领域的证据，而是不完整条件化的证据。架构性能取决于光谱物理、数据规模、采集协议和验证设计的交互，当这些调节变量未受控制时，冲突结果是预期结果。此视角具有直接实际后果。问题“什么是最好的NIR光谱CNN架构？”与“什么是最好的统计模型？”一样不恰当，除非指定数据生成过程、样本量和评估标准。一个更有成效的表述是：“给定我的应用的光谱特征宽度、数据集大小、采集协议、预期部署偏移和干扰结构，我应该优先