离散扩散模型的稀疏自适应最优性

基于摘要分析。本文研究文本及其他类别数据生成中的离散扩散模型，核心问题是：这类模型能否像连续扩散模型适应低维结构一样，利用数据稀疏性提高统计效率。作者分析了由正则化 score-entropy 目标导出的非参数估计量，并报告其在稀疏情形下达到极小极大最优统计速率。 机制上，所提出的正则化可视为分类任务中 label smoothing 的一种适配，且不需要预先知道稀疏性参数。作者据此认为，离散扩散模型能够内在地适应稀疏性。这里的贡献是特定假设下的统计理论保证，不应等同于已验证的文本生成质量提升，也不能直接推导为所有离散扩散模型均具备同等保证。 摘要未给出稀疏性的具体定义、统计速率表达式、误差度量、正则化形式及定理适用条件；实验协议、消融及统计信息尚未验证。阅读全文时需重点核对最优性所依赖的分布类别、样本规模与类别空间条件，以及该非参数估计量和实际训练模型之间的对应关系。 研究对象是离散类别数据，而非连续 EEG 信号。平台推测（待验证）：只有当 EEG 被表示为离散 token，且其分布满足论文定义的稀疏条件时，该机制才可能提供理论参考；离散化误差、低信噪比和跨被试分布变化均可能限制适用性。目前尚未检索确认已有 EEG 相关工作，摘要信息也不足以制定有依据的迁移实验。