扩散模型中的去噪分数匹配：秩约束对泛化的影响

基于摘要分析。研究考察扩散模型中分数网络的秩约束如何影响去噪分数匹配的泛化，核心贡献是将秩受限估计与谱结构联系起来，解释为何增加表示能力可以改善训练拟合，却不一定改善测试表现。 研究对象是具有秩受限非线性项和线性跳跃连接的分数网络。作者报告，在嵌入球面支撑的数据上，可训练三层网络的数值实验显示：增大秩会降低训练误差，但对测试误差的影响取决于样本量和数据维度；摘要未提供具体误差数值及数据划分。 理论部分采用秩受限随机特征分数模型，假设高斯数据支撑于低维子空间。作者通过截断奇异值分解刻画最优秩受限估计量，并在样本量 n、特征宽度 p、数据维度 D 和秩 r 均随环境维度 d 成比例增长的条件下，推导渐近精确的训练与测试误差极限。作者报告，该谱刻画能够区分有助于经验拟合和有助于总体精度的模态，并将数据子空间正交补的维度识别为一个自然的秩阈值；理论学习曲线定性复现了数值实验中的秩相关过拟合现象。 理论结论依赖随机特征、低维子空间高斯数据及比例渐近条件，与可训练非线性网络及真实数据之间的适用边界仍需核对全文。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 扩散建模中的有效信号近似具有低维结构，秩约束可能成为控制小样本分数估计方差的候选手段，但原领域结果不等于 BCI 有效性。可复用的是非线性项秩约束及训练／测试误差随秩变化的分析思路；时间与通道结构、噪声模型需要另行适配。低信噪比、跨被试分布差异或通道变化可能破坏低维假设，过低秩也可能抹除任务相关弱信号。一个可检验的小实验是在固定被试内数据划分和其余训练设置下，交叉改变训练样本量与秩，以留出数据的去噪分数匹配损失检验预测的过拟合趋势。已有 EEG 相关工作尚未检索确认。