Cometh：连续时间离散状态图扩散模型

基于摘要分析。本文研究分子与非分子图的生成，提出 Cometh，将离散状态图扩散置于连续时间框架，并以单一随机游走编码替代此前离散图扩散模型使用的一组结构编码，旨在提高图结构表达能力与生成质量。 方法上，连续时间与离散状态描述的是不同维度：前者涉及扩散过程的时间建模，后者保留图元素的离散状态。作者强调，连续时间允许更灵活的反向过程，并有利于权衡采样效率与质量；随机游走编码则用于提供图结构信息。摘要未给出状态转移、去噪网络、损失函数或采样器的具体定义，不能据此确定实现细节。 作者报告，在多种分子与非分子基准上，Cometh 相比先进离散状态扩散模型在多项指标上有所改善；在 planar graph 数据集上，VUN 样本指标达到 99.5%；在大型 GuacaMol 数据集上，相比 DiGress 的 VUN 表现提高 12.6%。摘要未展开 VUN 的定义，也未说明后一个数值表示相对百分比还是百分点，不能换算。数据划分、采样预算、对照配置、消融及统计信息尚未验证，连续时间机制与结构编码各自的贡献也需全文核对。 平台推测（待验证）：若 EEG 功能连接被表示为图，随机游走结构编码可能为连接拓扑建模提供可复用模块，但这不是已证实的 BCI 效果。原方法依赖图数据及离散状态表示；迁移时需处理 EEG 连接权重通常连续、通道对应关系以及跨被试图分布差异，低信噪比和小数据可能使编码放大不稳定连接。一个可检验的小实验是在固定连接估计与分类器、按被试隔离的 Cross-subject 划分下，对比加入与不加入该编码的 EEG 分类表现；这仅检验编码迁移假设，不验证完整图扩散模型。已有相关 EEG 工作尚未检索确认。