学习接受引导：为 Classifier-Free Guidance 塑造潜在空间几何

基于摘要分析。本文研究离散类别条件下，潜在扩散模型的类几何如何影响 Classifier-Free Guidance（CFG）的生成效果，并提出 Prototype Regularization（PR），使潜在表示更适合引导生成。主要研究对象是条件扩散生成，而非 EEG 解码或 BCI。 机制上，作者分析理想 CFG 校正项及加噪条件下的类别可区分性，指出更大的类间分离和更小的类内离散程度有利于 CFG，并推导出梯度方向与理想校正项一致的带噪后验目标。由于该后验难以直接处理，PR 以作用于空间池化潜变量的余弦原型分类器构造轻量替代约束。其关注点不仅是潜在空间是否易于建模，还包括条件类别在该空间中的排列是否有利于引导。 作者报告，在 ImageNet、受控的 80 epochs 训练预算下，向 LDM 基线加入 PR 后，guided gFID 从 3.31 降至 2.28，优于摘要所列 DINOv3 对齐的 VA-VAE 对照（2.44），额外开销可忽略。作者还报告其可推广至不同标签选择、数据模态与条件信号，但摘要未列明具体任务与结果。数据划分、CFG 设置、完整训练配置、消融及统计信息尚未验证。 平台推测（待验证）：若将该思路用于离散条件的 EEG 潜在扩散生成，可复用类几何约束与原型分类器，但需将空间池化改为适合通道—时间结构的表示聚合，并依赖条件标签及可训练的潜在编码器。假设风险是类内收缩会抹去有用的被试差异，低信噪比、通道变化和小数据也可能使原型不稳定。一个小规模检验是在固定被试划分、训练预算和 CFG 设置下比较有无 PR 的生成模型，同时检查类间分离、类内变异保留及生成质量；原领域结果不构成 EEG 有效性证据，已有 EEG 相关工作尚未检索确认。