通过信息瓶颈揭示 Classifier-Free Guidance 的内部机制

基于摘要分析。本文研究条件扩散模型中 Classifier-Free Guidance（CFG）应在采样何时启用的问题，将扩散轨迹表述为随时间变化的信息瓶颈，并据此提出无需训练的动态 CFG 推理策略。主要研究对象是条件生成的推理控制，而非 EEG 解码或 BCI。 作者指出，既有 CFG 方法通常依赖预设激活策略，一些动态变体也依赖手工设计的调度。论文从条件输入与 score function 之间的信息关联出发，分析条件信息在生成过程中的作用变化。作者报告，条件信息的有效性并不均匀，而是在由 Fisher 信息平衡条件刻画的关键阶段之后显著增强；这一理论结论的假设、推导及适用范围尚需全文核对。 方法上，作者利用条件与无条件 score 的统计量构建随机过程，在估计的引导增益超过预设阈值时激活 guidance，而非事先固定启用区间。作者称该规则可使条件注入与生成动态相适应，并在极限情形下恢复区间式 guidance。摘要未提供增益估计公式、阈值选择方式或额外计算开销。 作者报告在多种架构和任务上进行了实验，结果支持方法的有效性、稳健性与适用性；但具体任务、数据集、评估指标、对照基线和数值未在所给材料中披露，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 已作为条件输入接入扩散生成系统，其条件注入时机可成为该策略的迁移切入点，但原领域有效不等于 BCI 有效；低信噪比或跨被试条件变化可能使 score 统计量及激活阈值失稳。相关 EEG 工作尚未检索确认，当前材料不足以判断迁移收益。