共享得分与目标偏移的两阶段扩散迁移框架

本文研究多个相关分布之间的生成建模：当目标分布观测有限时，如何利用共享结构改善目标分布的生成与密度估计。基于摘要分析，作者提出扩散迁移的统计框架，将 score 分解为基于合并数据学习的共享部分与目标分布特异性偏移，并分析两部分的学习代价。 理论上，作者在合并密度满足 Besov 正则性、偏移满足稳定层次复合模型的条件下推导收敛率。作者报告，当偏移结构更简单且满足相应条件时，风险界可获得比各分布独立拟合更快的收敛率；这属于有条件的理论结论，不等同于任意数据上生成质量必然提升。作者还在适当边界与正则性假设下证明，扩散时间趋近于零时，偏移仍保持有界及联合正则性，从而允许时间下截断阈值以多项式速度趋于零，并为作为密度估计器的扩散模型提供总变差保证。 作者报告以合成模拟和图像基准进行概念验证。摘要未提供具体基准、样本规模、对照方法或数值结果；两阶段的具体实现、训练目标、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若不同被试或会话的 EEG 分布可表示为共享 score 加上较简单的特异性偏移，该分解可能为小样本目标域生成提供思路，但这并非本文已验证的 EEG 结果。可复用的是共享项与偏移项分开估计的框架；需改造信号表示、时间与通道结构建模，并核对相关正则性假设。低信噪比、通道不一致及显著被试差异可能使偏移不再简单，小样本偏移估计也可能不稳定。一个可证伪的小实验是在固定目标被试训练样本量及留出测试集的 Cross-subject 协议下，对比独立拟合、仅合并拟合与两阶段估计，检验共享结构是否改善预先指定的留出分布评价指标。已有 EEG 相关工作尚未检索确认。