学习接受引导：为 Classifier-Free Guidance 塑造潜在空间几何

基于摘要分析。本文研究条件潜在扩散模型中的类别几何：潜在空间不仅要易于扩散建模，还需使条件的空间分布适合 Classifier-Free Guidance（CFG）。作者从离散类别条件出发分析这一问题，并提出 Prototype Regularization（PR），以轻量正则化塑造适合引导生成的表征。 理论机制方面，作者在高斯类别模型下指出：保持总方差不变，将方差从类内转移至类间，可提高加噪后类别的可区分性；进一步推导带噪后验目标，其单样本下降方向与 oracle CFG 校正成比例。PR 是该难以直接求解目标的替代方案，在空间池化后的潜在表征上应用余弦原型分类器。具体目标形式、理论适用条件及其与重建质量的权衡尚需正文核对。 作者报告，在 ImageNet 上控制训练预算为 VAE 20 个 epoch、DiT 80 个 epoch 时，为 LDM 基线加入 PR，使引导生成的 gFID 从 3.31 降至 2.28，优于采用 DINOv3 对齐的 VA-VAE 对照结果 2.44，并称额外开销可忽略。作者还报告其可推广至聚类伪标签、连续文本嵌入条件及视频潜在表征，但摘要未提供这些扩展的具体指标。数据划分、CFG 强度、采样设置、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，在具备条件扩散生成器和标签的 EEG 潜在建模中，原型约束或可改善加噪后的条件可分性；这不是已证实的 EEG 解码收益。可复用原型约束思路，但需将图像空间池化改造为适合 EEG 时序与通道结构的聚合方式。低信噪比、跨被试分布差异和小样本可能使原型编码被试特征，或压缩有用的类内生理变化。一个可证伪的小实验是在固定跨被试划分、训练预算与 CFG 设置下，仅比较加入 PR 前后的条件生成质量、重建保真度和下游解码表现。相关 EEG 工作尚未检索确认。