使用条件扩散模型学习跳跃扩散过程的转移核

基于摘要分析。本文研究时间齐次跳跃扩散过程的转移核学习，使用条件扩散模型，从高频离散时间网格上观测到的 N 条独立轨迹中学习生成新样本路径的方法。主要贡献是对条件得分估计误差及真实与生成离散观测路径分布之间的 KL 散度给出非渐近界，并开展数值评估。 技术上，研究对象兼具连续扩散与跳跃动态；学习目标是描述状态转移的条件概率分布，而不只是预测单个未来值。作者报告建立了条件得分估计误差界和路径分布 KL 散度界，但摘要未给出具体表达式、正则性假设，以及界对轨迹数量、观测间隔或路径长度的依赖，尚不能据此判断理论保证的适用范围。条件输入、模型结构、训练目标与路径采样细节尚未验证。 数值部分，作者报告先在合成数据上评估理论发现，并与 Gao et al.（2025）的方法比较，再在真实数据上考察概率预测表现。摘要未提供数据集名称、划分协议、评价指标或结果数值，因此不能判断相对性能；实验协议、消融及统计信息尚未验证。 本文的主要对象是随机过程建模，而非 EEG 或 BCI。摘要未提供神经信号实验或明确的 BCI 机制对应，不能将其结果视为 BCI 有效性的证据；已有 EEG 相关工作尚未检索确认。复现需进一步核对过程假设、轨迹采样方式、条件模型实现及概率预测评估协议。