全离散条件扩散模型的有限样本保证

基于摘要分析。本文研究从有限数据学习、并以有限次去噪步骤执行采样的条件扩散模型，核心贡献是通过对齐 score 训练目标与采样网格，联合分析统计估计误差和数值离散化误差，给出生成分布误差的高概率界，并量化所需的 score 评估次数。 理论建立在平滑条件密度模型下。作者报告，对任意平滑度指数 β>0，选择合适网格后，无论是否使用提前停止，相对于原始目标分布、在条件变量上平均的条件 Kullback–Leibler（KL）散度均可达到 Õ_p(n^{-2β/(d_x+d_y+2β)})；完整采样器与提前停止采样器的平均目标总变差（TV）误差均可达到 Õ_p(n^{-β/(d_x+d_y+2β)})。其中 n 为样本量，d_x、d_y 分别为数据维度和条件变量维度，Õ_p 表示忽略对数因子的概率阶。作者报告，TV 界在忽略对数因子后与现有条件分布估计理论的速率一致；这不是 EEG 或 BCI 实验性能结论。 该工作的重点是训练与离散采样的一体化理论保证，而非新模型权重或应用验证。具体平滑性及其他正则条件、score 估计器的构造、网格设计、提前停止条件、score 评估次数的显式依赖，以及实验协议、消融及统计信息尚未验证。摘要未提供与 EEG/BCI 的具体机制对应或实验依据，因此不据此推断其神经信号生成效果；相关 EEG 工作尚未检索确认。