当边独立性失效时：采用潜在社交性先验的联合图扩散

基于摘要分析。本文研究不使用节点特征的无条件图生成，提出 Latent Sociability Prior（LSP，潜在社交性先验）及联合扩散过程，通过共同演化潜在节点社交性变量与图结构，缓解独立边噪声先验难以保留节点异质性和高阶结构的问题。 机制与理论：作者指出，在独立边更新的马尔可夫噪声模型与输出分布可交换性要求下，终端先验必然为 Erdős–Rényi（E-R）随机图；并论述在大图极限下，GNN 去噪器作用于 E-R 图时，其输出仍近似 E-R 图，因而难以实现有效去噪。这些结论的具体假设、适用的 GNN 范围及近似条件尚需全文核对。LSP 通过潜在节点变量引导边更新，在保持可交换性的同时解除边独立性，使节点异质性能够贯穿扩散轨迹。摘要强调该机制不需要复杂编码器，但未给出变量分布、转移核或训练目标。 验证情况：作者报告，在多个图生成数据集上，相较不使用节点特征的基线，该框架能够更准确地刻画图分布。摘要未提供数据集名称、划分、评价指标或改善幅度；实验协议、消融及统计信息尚未验证，不能据此判断收益主要来自先验改变还是其他设计。 平台推测（待验证）：若将 EEG 功能连接表示为图，可检验节点级潜变量是否有助于生成具有异质连接模式的图；这不是本文已验证的 BCI 贡献。可复用的是潜变量与边更新的耦合机制，需改造的是加权或有符号连接表示，以及固定通道身份与可交换性假设之间的处理方式。低信噪比、连接估计偏差、跨被试差异和小样本均可能使潜变量拟合伪结构。一个可证伪的小实验是在固定连接估计流程、训练容量和被试独立划分下，对比独立边先验与 LSP 对留出图节点强度及高阶结构分布的拟合，检验改进能否稳定出现。已有 EEG 相关工作尚未检索确认。