不仅归因于哪些样本，更归因于影响如何展开：扩散模型的反事实响应轨迹

基于摘要分析。本文研究扩散模型生成结果的训练样本归因，提出 Concept Attribution method through Dynamic Trajectories（CADT）：不只识别哪些训练样本有影响，还通过去噪过程中内部表征的变化轨迹描述影响如何展开。 核心机制是，在相同噪声状态下构造匹配的反事实配对，以分离特定因素引起的表征位移，并跟踪位移方向与幅度随去噪阶段的演化。CADT 为每个训练样本和生成查询提取分阶段特征，并沿去噪过程整合为轨迹描述符；训练集对应的描述符构成因素特定的轨迹库。随后利用轨迹库的协方差统计构造协方差感知的半正定核，对查询与训练表征进行校准，再比较轨迹以获得训练样本归因分数。所给摘要在核构造描述处存在句子缺损，具体数学定义、反事实因素的设定及特征提取位置尚未验证。 相较将因素效应压缩为标量响应的方法，本文的主要区别在于保留内部响应的阶段性变化。作者报告，在多个公开数据集的层级、组合及风格归因评估中，相对既有扩散归因基线获得一致改进；摘要未提供数据集名称、划分、基线名称、指标或数值，实验协议、消融及统计信息尚未验证。复现还需核对反事实配对生成方式、轨迹整合规则、协方差估计与计算成本。 平台推测（待验证）：若 EEG 生成模型具有可控语义因素与可匹配的去噪状态，这一机制可能用于检查训练样本如何影响生成信号，而非直接用于判别式 BCI 解码。可复用部分是轨迹描述与协方差校准；需改造的是 EEG 表征及反事实因素定义。低信噪比、被试差异、通道配置变化和小样本协方差估计可能使归因不稳定。一个可证伪的小实验是在固定被试与通道配置的 EEG 扩散模型中，比较轨迹归因与标量归因对受控因素扰动的识别能力，并用训练样本移除后的响应变化检验归因有效性。已有 EEG 相关工作尚未检索确认。