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，提出自回归扩散模型，在离散图空间中逐节点吸收与重建图，区别于对去量化邻接矩阵施加 Gaussian diffusion 的一次性生成方法。作者将后者的训练困难、采样缓慢及约束融入困难作为研究动机，但摘要未具体说明新方法如何实施约束。 核心机制包括两个网络：前向扩散中的 diffusion ordering network 根据图拓扑学习数据依赖的节点吸收顺序；反向生成中的 denoising network 按逆序重建，每一步预测新增节点的类型及其与此前已去噪节点之间的边。作者基于图的置换不变性，给出通过优化数据似然下界联合训练两个网络的方法。具体网络结构、下界形式、顺序学习方式及推理开销尚未验证。 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，相较此前最先进方法，模型取得更好或相当的生成表现，同时具有较快的生成速度。摘要未提供数据集名称、划分、评价指标、具体数值或速度测量条件，因此无法进一步比较质量与效率；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 被表示为具有明确节点与边定义的功能连接图，该方法可作为连接图生成的候选机制，而不是直接生成 EEG 时序或完成 BCI 解码。可复用部分是离散图扩散及顺序学习，需改造部分包括通道节点语义、连续边权表示与条件信息。依赖图拓扑学习顺序也可能受到低信噪比、跨被试差异、通道配置变化和小数据规模影响。一个可检验的假设是：在固定通道与建图规则下，该机制能更好保持连接图结构；可采用按被试隔离的训练与测试，对照一次性图扩散，比较图统计分布与生成耗时。已有 EEG 相关工作尚未检索确认。