Bernoulli Flow Models：面向二值数据的自洽生成建模

基于摘要分析。该研究针对二值扩散模型在减少函数评估次数（NFE）时生成质量下降的问题，提出 Bernoulli Flow Models（BFM），通过连续的全局 Bernoulli 概率流路径及任意时间区间的解析闭式后验，实现自洽的低 NFE 采样。 机制上，作者指出，现有二值扩散模型先定义离散单步前向路径，再推导反向后验；跨步采样时以单步似然转移近似真实多步似然，可能导致质量退化。BFM 不依赖逐步的一阶 Markov 扩散链，而是在数据分布与纯噪声之间定义统一的连续概率流路径。改变采样时间网格后，可重新计算对应区间的解析后验，而非通过跳过离散步进行近似。作者据此主张该机制消除了离散链固有的训练—推理结构不匹配；具体推导条件、训练目标及实现细节尚未验证。 结果方面，作者报告，在 LSUN Churches 256×256 上，以 256 步训练的 BFM 使用 16 个采样步骤时获得 FID 9.22，而摘要所称的最先进离散基线在该低步数设置下为 204.10。摘要未提供基线名称、数据划分、样本量及完整配置，不能据此扩展为跨协议优势。作者还报告，BFM 在标准全步数推理下与连续及离散生成基线保持竞争力，但未给出对应数值。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务可表示为二值事件序列或二值编码，BFM 的任意区间后验可能用于降低生成采样成本；这是假设，并非已证实的 BCI 效果。可复用部分是二值概率路径与采样机制，需改造的是 EEG 表征及条件输入。连续 EEG 的二值化可能损失幅值和相位信息，低信噪比、跨被试与跨通道差异及小数据训练也可能限制收益。一个可证伪的小实验是在固定二值编码和被试划分下，对比 BFM 与二值扩散基线随 NFE 缩减的生成质量及下游任务表现，并单独评估编码损失。已有 EEG 相关工作尚未检索确认。