你的离散图扩散模型正在隐性记忆训练数据

基于摘要分析。本文研究离散图扩散模型（GDMs）是否会记忆训练图，核心贡献是提出“条件性记忆”：从受损训练图启动逆扩散时，模型表现出明显的训练数据偏向，而这种现象在常规无条件生成及样本级指标中可能不显现。 研究背景是无节点特征的无条件图生成：GDMs 在马尔可夫噪声模型下，独立地向节点和边添加噪声，再通过等变去噪器恢复图结构。摘要指出，即使只用单张图训练，模型仍可生成新图，边重叠率和 WL kernel similarity 等指标也可能未显示记忆证据。本文转而分析在双块随机块模型（SBMs）上训练的 GDMs 的逆扩散轨迹，以受损训练图与受损留出测试图的恢复表现进行对照。 作者报告，模型能够近乎完美地恢复受损训练图，相比留出测试图存在明显优势；这一条件性记忆伴随训练损失改善、留出图损失恶化的泛化差距扩大。作者还报告，在所测试的所有节点规模下，记忆的出现均早于生成图中社区结构的形成，因此更早的检查点只生成无结构图，早停未能消除该问题。上述结论限于摘要所述模型与实验范围，不能据此认定所有 GDMs 都有相同行为。 评估上的关键区别是：无条件生成样本看起来新颖，不等于模型对训练数据不存在条件性偏向。具体模型实现、节点规模、噪声强度、训练与测试图的构造方式、重复实验及统计信息尚未验证。本文的主要研究对象是合成图生成，并非 EEG 或 BCI；材料未提供足以建立具体神经信号迁移路径的证据。