探索有效终态：空模型引导的图扩散模型

基于摘要分析。本文研究复杂网络生成中的图扩散问题，提出 Null-Model-Guided Graph Diffusion（NMG-GD），试图缓解纯高斯噪声终态及无约束扩散轨迹对原始网络拓扑特征的破坏。核心贡献是以空模型分布作为前向扩散终态，并配合空模型引导的连续时间随机微分方程（SDE）与 Position-enhanced Graph Score Network（PGSN）生成图。 作者认为，传统各向同性先验等终态设计会扭曲重要拓扑特征；所采用的空模型分布旨在保留度序列、聚类系数等网络统计，以维持全局结构一致性。PGSN 同时接收连续与量化邻接信息，在置换等变编码器中融合随机游走、最短路径及空模型线索。摘要未给出空模型的具体构造、统计量保持方式、SDE 形式及训练目标，因此尚不能判断这些约束在扩散各阶段如何实现。 作者报告，在三个公共图数据集上开展的实验涵盖社会网络与生物网络，NMG-GD 达到作者所称的最先进性能，并在结构相似性和生成效率方面表现出优势。摘要未提供数据集名称、划分、对照方法、指标数值与计算成本；实验协议、消融及统计信息尚未验证，尤其需核对终态分布、轨迹约束与 PGSN 的独立贡献。 平台推测（待验证）：假设 EEG 功能连接图的生成或数据增强需要保留度分布、聚类等拓扑统计，该终态设计可能提供可复用的结构先验，但它不是直接面向 EEG 时序解码的方法。迁移依赖可靠的连接图估计，并需适配加权边、可能的负权及通道定义；低信噪比、小样本和跨被试差异可能使先验保留估计伪影而非稳定结构。一个可检验的小实验是固定图构建方式与评分网络，仅比较高斯终态和空模型终态在留出被试连接图上的统计匹配与生成多样性，避免以结构相似性直接推断 BCI 解码收益。相关 EEG 工作尚未检索确认。