Cometh：一种连续时间离散状态图扩散模型

Cometh 面向分子图与非分子图生成，将离散状态图扩散建模扩展到连续时间，并用单一基于随机游走的编码替代此前离散图扩散模型使用的一组结构编码。基于摘要分析，未取得论文全文；本文的主要研究对象是图生成，而非 EEG 解码或 BCI。 核心机制是保留图的离散状态表示，同时利用连续时间为反向生成过程提供更灵活的设计空间。作者将这一设计的动机表述为改善采样效率与质量之间的权衡，并认为随机游走编码能以更简洁、有原则的方式增强模型表达能力。摘要未提供具体状态转移、训练目标、反向采样算法及编码构造，相关实现条件尚未验证。 作者报告，在多种分子与非分子基准数据集上，Cometh 相较先进离散状态扩散模型改善了多项指标。其中，平面图数据集上的 VUN samples 指标达到 99.5%；在大型 GuacaMol 数据集上，相较 DiGress 的提升为 12.6%。摘要未明确后者是相对提升还是百分点差值，也未给出 VUN 的具体计算口径，因此不能进一步换算。数据划分、采样预算、基线配置、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 功能连接被表示为具有离散节点或边状态的图，Cometh 的图生成机制可能用于探索连接图合成，随机游走编码也可作为结构表示候选；这不是已证实的 BCI 效果。可复用部分是图扩散框架与结构编码，需改造连接构图、连续边权离散化及跨被试通道对齐。低信噪比、阈值敏感性、通道差异和小数据可能使生成器学习构图伪差而非稳定神经结构。一个可检验的小实验是在固定构图规则与跨被试划分下，仅用训练被试生成连接图，比较有无合成数据时真实留出被试的解码表现。相关 EEG 工作尚未检索确认。