用于图生成的自回归扩散模型

基于摘要分析。本文研究通用图与分子图生成，提出 autoregressive diffusion 模型，以离散图空间中的节点吸收过程替代去量化邻接矩阵空间中的高斯扩散，将图生成组织为按逆序逐节点重建。其主要贡献是学习依赖图拓扑的节点顺序，并将顺序学习与去噪生成联合训练。 核心机制：前向扩散中的 diffusion ordering network 根据图拓扑学习节点吸收顺序；反向生成中的 denoising network 按逆序，每次预测一个新节点的类型及其与已去噪节点之间的边。作者基于图的置换不变性，给出联合优化两个网络的数据似然下界。摘要未提供网络结构、下界具体形式、顺序学习的实现及采样复杂度，均尚未验证。 对照与结果：作者将既有的一次性图扩散方法在训练、采样速度及约束融入上的困难作为动机。作者报告，在六个不同的通用图数据集和两个分子数据集上，该方法的生成表现优于或接近此前最先进方法，同时具有较快的生成速度。摘要未给出数据集名称、划分、评价指标、具体基线与速度测量条件，不能量化优势；约束融入是否经过直接验证，以及实验协议、消融及统计信息，尚未验证。 平台推测（待验证）：若将 EEG 通道或脑区表示为节点、将功能连接离散化为边，该机制可能用于连接图生成或结构先验建模，而非直接生成连续 EEG 波形。可复用的是节点排序与逐节点生成框架；需改造节点属性、边的连续权重表示及通道身份约束。低信噪比可能导致连接估计不稳定，跨被试差异、通道配置变化和小样本也可能使模型主要学习预处理或阈值特征。一个可证伪的小实验是在固定通道配置、按被试隔离训练与测试的 EEG 连接图上，比较学习顺序与固定或随机顺序的生成结果，并检查连接分布及图统计量的一致性。该实验仅检验图生成假设，不构成 BCI 解码有效性的证据；已有 EEG 相关工作尚未检索确认。