用于分子生成的层次化图潜扩散模型

基于摘要分析。本文研究离散分子图的扩散生成，先提出 Graph Latent Diffusion Model（GLDM），在潜空间中进行扩散，以缓解连续扩散空间与离散图数据之间的不匹配；再提出 Hierarchical Graph Latent Diffusion Model（HGLDM），引入节点嵌入和包含结构信息的子图嵌入，补充仅使用图级嵌入时丢失的信息。 作者指出，直接向离散图添加连续高斯噪声，会使最终加噪数据与标准高斯分布不匹配。现有方案采用离散转移矩阵或将离散数据松弛到连续空间，但作者认为，包含键类型矩阵的处理带来较高计算开销，缺乏嵌入表示也不利于通过 cross-attention 等方式扩展条件生成。GLDM 以潜空间扩散应对这些问题，HGLDM 则进一步在表示中纳入节点和子图层次的信息。具体编码、层次间交互、训练损失及分子图解码方式尚未验证，不能据摘要确定其实现细节。 作者报告，在三个基准上的无条件生成与条件生成任务中，模型表现优于所比较方法，并相较当前图扩散模型显著减少计算时间。摘要未提供基准名称、数据划分、对照方法、生成质量指标或耗时测量条件，因此无法量化优势，也不能判断效率与生成质量之间的权衡；实验协议、消融及统计信息尚未验证。 本文主要研究对象是分子生成，而非 EEG 或 BCI。摘要未提供神经信号任务、对应数据结构或直接迁移证据，不据此推断其具有 BCI 有效性。复现前应核对各层次嵌入的构造方式、条件信息的注入机制，以及潜表示是否保留分子图生成所需的结构约束。