面向 Vis-NIR 化学计量的 CNN：从矛盾到条件化设计

近红外（NIR；即 NIRS）深度学习在化学计量研究中日益报告出关于卷积神经网络（CNN）设计的相互矛盾结论，包括小核与大核、浅层与深层架构、原始光谱与预处理，以及单域训练与迁移学习。结果导致同一网络结构在一个研究中表现优越，而在另一个研究中却表现 inferior，给化学计量实践者造成了实际困境。本综述我们认为，这些矛盾并非不可调和的方法证据，而是对控制的 moderating 变量未被掌握所致的结构性预期结果。具体而言，我们将反复的分歧追溯到：（i）Vis-NIR 测量在以水为主导的矩阵中的间接性质；（ii）有效感受野（ERF）与信息光谱结构宽度之间的不匹配；（iii）验证设计（包括划分策略、超参数调优预算以及暴露于部署类偏移）作为隐藏超参数可主导模型排名。基于已发表化学计量和光谱学研究的证据，我们提出一种条件化设计框架，将架构和预处理选择链接到光谱物理、数据集制度以及意图部署场景。总体而言，本文的观点将深度学习化学计量从模板化的架构选择，转向可复现、物理感知且与部署一致的模型比较。