用于图生成的自回归扩散模型

基于摘要分析。该研究针对通用图与分子图生成，提出自回归扩散模型：直接在离散图空间执行节点吸收扩散，并按反向节点顺序逐步重建图，以替代在去量化邻接矩阵空间进行 Gaussian diffusion 的一次性生成路线。 核心机制包括两个网络：diffusion ordering network 根据图拓扑学习数据依赖的节点吸收顺序；denoising network 在反向生成的每一步预测新节点类型，以及该节点与此前已去噪节点之间的边。作者利用图的置换不变性，推导用于联合训练两个网络的数据似然下界。摘要未给出具体网络结构、下界形式或约束注入方式，尚不能确认其如何实现特定生成约束。 作者报告，在六个通用图数据集和两个分子数据集上，该方法相较既有最先进方法取得更好或相当的生成表现，同时具有较快的生成速度。摘要未提供数据集名称、划分、具体指标、基线配置及计时条件，不能据此量化性能或速度优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 已被表示为具有明确节点语义和离散边定义的功能连接图，该方法可能用于学习此类图的生成分布，而不是直接处理 EEG 波形。可复用部分是节点排序与逐节点重建机制；需要改造节点属性、边表示及生成条件。连续连接权重的离散化可能损失信息，低信噪比与跨被试差异可能使排序不稳定，小样本也可能导致生成分布过拟合。一个可检验的小实验是在固定连接估计流程、按被试划分的 EEG 图数据上，对照学习排序与固定排序，比较预先指定的图统计分布偏差及生成耗时；即使图分布拟合改善，也不能直接视为 BCI 解码收益。已有 EEG 相关工作尚未检索确认。