均匀离散扩散模型在估计小有效支持集分布时具有极小极大最优性

基于摘要分析。本文研究离散乘积空间上 uniform discrete diffusion 的统计泛化性质，核心贡献是以依赖样本量的有效支持集大小 s_n(P_0) 描述分布复杂度，替代直接随环境状态空间大小增长的误差界。原研究对象是离散分布估计，文本和生物序列仅作为分布可能集中于少量状态的例子，并非 EEG 或 BCI 验证。 理论设置为从未知分布 P_0 获得 n 个独立同分布样本，状态空间为 [K]^d。作者报告，在适当选择网络规模与超参数的条件下，期望总变差（TV）损失为 O(√(s_n(P_0)/n))，期望 Kullback–Leibler（KL）散度上界为 O((s_n(P_0)/n)·log(eK^d/s_n(P_0))·log n)。作者进一步报告，TV 收敛率具有 minimax 最优性，KL 收敛率则在相差 log n 因子的意义下达到 minimax 最优。这里的结果是理论误差界，不是数据集上的实测生成质量；TV 与 KL 也不能互换。 关键价值在于刻画分布结构如何缓解维数灾难：TV 界对环境状态空间的依赖通过 s_n(P_0) 体现，KL 界另有对环境状态空间大小的对数依赖。摘要提到 masking diffusion 是另一主流范式，但未提供二者的实验比较，不能据此断言 uniform discrete diffusion 更优。有效支持集的精确定义、网络与超参数的充分条件、证明假设、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 经离散化得到的状态序列确实具有小有效支持集，该理论可能为离散生成建模提供分析视角，但连续 EEG 的量化、时间依赖与跨被试差异均需额外处理。可复用的是离散分布复杂度与误差界的分析思路；需改造的是信号编码和采样协议。低信噪比、多通道组合及小样本可能使有效支持集增大或难以估计。一个可检验的小实验是在被试内固定通道与量化方案，以独立试次为采样单位，考察训练样本量变化时留出数据上的分布估计误差，并核对独立同分布假设是否适用；这不等于验证 BCI 解码收益。已有 EEG 相关工作尚未检索确认。