通过盆地几何与循环去噪识别扩散模型记忆的早期信号

基于摘要分析。本文研究扩散模型在单次生成尚未出现训练样本近似复制时，是否已形成可检测的记忆结构。作者提出“潜在记忆”（latent memorization），以 score divergence 和盆地体积刻画训练样本附近的局部吸引域，并用循环去噪探测其稳定性。 核心机制是反复执行部分加噪与去噪，而非仅检查单次生成输出。作者报告，训练样本附近的局部盆地在首个记忆样本出现前已形成，并可与留出样本区分；其出现时间与记忆发生时间具有相同的 O(n) 标度，但摘要未明确 n 的定义与适用条件。在精确经验 score 的假设下，作者证明：从孤立训练样本附近启动的循环过程，会以高概率恢复该样本，并在任意有限次数的循环中返回该样本。该理论前提不能直接等同于有限训练模型的保证。 作者报告，在 CelebA 和 CIFAR-10 的已训练检查点上，即使单次生成样本中未观察到复制，循环去噪仍能恢复训练图像；在一个单次生成复制比例为 0.1% 的 CelebA 检查点上，500 次循环使记忆样本比例超过 30%。这些比例对应不同采样过程，不应视为相同协议下的直接性能比较。作者还报告，循环会揭示不匹配任何单个训练图像的退化吸引子，且这些吸引子随训练推进而消退，因此停留在盆地中本身不足以判定记忆。 摘要称相关发现覆盖 Gaussian mixture、CelebA 和 CIFAR-10，并涉及不同优化器、架构、噪声调度与训练集规模。在现成的 Stable Diffusion v1.4 上，作者报告，循环后的条件—无条件 divergence gap 区分记忆与非记忆提示词的 AUC 为 0.944，在 FPR 为 1% 时 TPR 为 0.866；提示词构成、记忆标签与阈值选择尚未验证。 复现需核对近似复制判据、循环起点、加噪强度、score divergence 与盆地体积的估计方法，以及留出划分、采样预算和统计不确定性。实验协议、消融及统计信息尚未验证。平台推测（待验证）：该审计思路可能用于 EEG 生成模型的训练样本记忆检查，但图像空间中的盆地结构与判据能否适用于低信噪比、跨被试 EEG 尚不明确；已有 EEG 相关工作尚未检索确认。