SBGD：通过随机块扩散改进图扩散生成模型

基于摘要分析。该研究针对图扩散生成模型（GDGMs）在大图生成中的内存开销与图规模泛化问题，提出 stochastic block graph diffusion（SBGD），将图表示转化为块图空间，以结构先验降低生成任务的复杂度。主要研究对象是通用图生成，而非 EEG 信号建模或 BCI 解码。 机制上，作者指出，现有 GDGMs 通常在完整图空间中运行，训练与推理时需要将整张图存入内存。SBGD 则引入基于现实图模式的结构先验，在块图空间中进行建模；作者认为，这种表示既能降低内存复杂度，也能通过捕捉基本图结构改善对训练中未见图规模的泛化。摘要未说明块的构造方式、扩散与去噪过程、训练目标及从块表示恢复完整图的具体机制，尚不能确定收益分别来自表示压缩还是生成过程的改变。 作者报告，在摘要所述图生成实验中，相对所比较的方法，SBGD 获得最高达 6× 的内存改善，同时保持相当或更好的图生成表现，并能更好地泛化至未见图规模。摘要未给出该倍数对应的图规模、硬件、训练或推理阶段、基线及计算口径；数据集、生成质量指标、规模划分、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 功能连接图具有可稳定估计的模块结构，块级生成可能为连接图合成提供可复用的表示机制，但这不等于已证实的 BCI 效果。迁移需处理 EEG 图的加权边、可能的有符号连接及通道对应关系；低信噪比、跨被试模块差异和小样本可能使块划分不稳定，规模泛化也不能直接等同于跨通道泛化。可检验的假设是：在固定连接估计流程与被试隔离划分下，比较块图与完整图生成在内存、连接统计保真度及留出通道规模上的表现，检验压缩是否牺牲关键结构。已有 EEG 相关工作尚未检索确认。