用于时空预测的动态状态空间扩散

基于摘要分析。本文研究时空预测中的扩散加噪机制：传统方法通常对各未来帧加入独立噪声，将时间依赖交给去噪器学习；Dynamical State-Space Diffusion（DSSD）则直接学习加噪过程的时间结构，同时保持去噪器架构不变。 核心机制是从稳定对角状态空间模型的阻尼振荡模态构建时间核，通过学习衰减率与频率表达多时间尺度及振荡相关性。有限片段的初始状态不可观测，若从零状态启动，早期帧的噪声量会低于扩散日程规定值。为此，DSSD 使用模型平稳协方差的 Cholesky 因子作为时间算子。作者报告并给出理论证明：该算子具有因果性、可精确求逆，保持每帧噪声方差与标准扩散一致，在无噪声端退化为恒等算子，并与状态空间模型的 Kalman innovations 形式精确对应。训练时，去噪器预测时间相关噪声；采样时，每一步解除并重新施加时间混合。具体损失形式与采样实现尚未验证。 作者报告，在科学场数据集与机器人视频数据集上，DSSD 优于共享同一去噪器的扩散基线；训练中所学习模态的演化显示时间算子会适应不同数据集。摘要未提供数据集名称、划分、指标及提升数值，实验协议、消融及统计信息尚未验证，不能据此判断收益大小或跨任务稳定性。 平台推测（待验证）：若 EEG 任务采用条件扩散进行未来信号预测，可假设将这一时间相关加噪机制用于 EEG 序列，以对应多时间尺度与振荡结构。可复用的是时间核及协方差算子，需改造的是 EEG 条件输入、多通道表示和噪声尺度适配。低信噪比、非平稳性、跨被试频谱差异及小数据下的模态估计不稳，均可能使相关加噪无益。一个可检验的小实验是在固定 EEG 数据划分、去噪器与训练预算下，比较独立加噪和 DSSD 加噪的预测误差及频谱保持程度；原领域结果不等于 BCI 有效性，已有 EEG 相关工作尚未检索确认。