连接离散与连续状态空间：探索连续时间扩散模型中的 Ehrenfest 过程

基于摘要分析。本文研究离散状态空间上的连续时间 Markov 跳跃过程与由随机微分方程（SDE）描述的连续状态扩散过程之间的对应关系，核心贡献是借助 Ehrenfest process 及其时间反演，连接两类生成建模框架，并提出基于条件期望的反向跳跃过程训练算法。 理论机制方面，作者重新考察了在无限状态空间极限下收敛至 Ornstein–Uhlenbeck process 的 Ehrenfest process，并报告其时间反演也收敛至时间反演的 Ornstein–Uhlenbeck process。这一对应关系为离散与连续状态空间之间迁移训练方法提供了依据，包括作者所述可改善收敛的损失函数；具体损失形式、极限成立条件及收敛度量尚未验证。 训练方面，作者提出利用条件期望训练 Markov 跳跃过程的时间反演，并将其直接关联到 denoising score matching。摘要称通过多项数值实验展示了方法，但未提供任务、数据集、状态空间规模、对照基线或量化结果，因此无法据此判断改进幅度或适用范围；实验协议、消融及统计信息尚未验证。 本文的主要对象是随机过程生成建模，而非 EEG 或 BCI。摘要未提供神经信号任务或明确的迁移验证，不能将其理论对应关系视为 BCI 有效性的证据；已有 EEG 相关工作尚未检索确认。