实现离散状态空间扩散与流模型的引导生成

基于摘要分析。本文研究如何让离散状态空间中的扩散与流模型按目标属性进行可控生成，提出通用引导方法 Discrete Guidance。核心贡献是利用离散状态空间上的连续时间马尔可夫过程，使从目标引导分布中采样在计算上可处理。 原问题在于：连续状态空间中的扩散与流模型已有引导生成方法，但这些方法不能直接用于离散状态空间。本文以连续时间的随机状态转移过程作为引导机制的基础；这里“连续时间”不意味着样本状态连续，也不应把标题中的 state-space models 理解为特定的序列建模架构。摘要未给出目标分布的具体构造、转移率的修改方式、训练目标或推理算法，相关实现细节尚未验证。 作者报告在图像、小分子、DNA 序列和蛋白质序列的引导生成中展示了方法用途。摘要未提供数据集、划分、对照基线、定量指标或计算开销，因此目前只能确认其覆盖了这些应用，不能据此判断性能提升幅度或相对优势。实验协议、消融及统计信息尚未验证；复现还需核对基础生成模型、属性条件或引导信号的来源，以及采样实现。 该研究主要面向离散对象的生成，并非 EEG 解码或 BCI 验证。摘要未建立离散引导机制与 EEG 连续信号、跨被试差异或低信噪比问题的具体对应关系，暂不提出迁移实验建议；已有 EEG 相关工作尚未检索确认。