通过热力学奇异性检测扩散模型中的记忆化

基于摘要分析。本文研究扩散模型如何区分真正的分布学习与对训练样本的记忆化，贡献是对记忆化逆向过程给出解析刻画，并提出检测相关热力学奇异性的判据。 其核心区分在于：恰当的分布学习应逆转定义在底层概率密度上的扩散过程；记忆化则表现为逆向过程学习了从单个训练样本出发的扩散。论文据此尝试从逆向过程的性质识别记忆化，而非仅依据生成样本的表面相似性。摘要未给出热力学奇异性的数学定义、判据形式、所需观测量及估计方法，具体实现条件尚未验证。 作者报告，该判据在一系列旨在促进或抑制记忆化的神经网络模型上，能够可靠地区分恰当学习与记忆化。摘要未提供具体模型、数据集、训练规模、检测指标或对照结果，实验协议、消融及统计信息尚未验证，因此目前不能判断其跨模型适用范围、检测成本或阈值稳定性。 本文的主要研究对象是通用扩散模型的记忆化检测，材料未提供 EEG 或 BCI 验证。其是否适用于神经信号生成模型，以及低信噪比、小样本条件下的判据估计是否稳定，尚不能由该摘要确认；已有 EEG 相关工作尚未检索确认。