条件扩散模型
去噪扩散概率模型（DDPM）的扩展形式，在标准扩散模型基础上引入条件信息，使模型能够在给定条件下生成特定分布的样本，广泛应用于条件图像生成、时间序列建模等任务
时间轴 (近 90 天)
论文给出的全变差上界与现有条件分布估计理论所建立的速率相匹配（相差一个对数因子），达到该类问题的已知最优水平
在平滑条件密度模型假设下，对于任意 β>0，选取合适采样网格可使平均条件KL散度达到 Õ_p(n^(-2β/(d_x+d_y+2β))) 的收敛速率
在全变差度量下，平均误差为 Õ_p(n^(-β/(d_x+d_y+2β)))
论文发现无论采用完整采样器还是提前停止采样器，都能达到相同量级的误差界（在对数因子意义上一致）
论文《Finite-Sample Guarantees for Fully Discrete Conditional Diffusion Models》针对从数据中学习、且用有限步数去噪实现的条件扩散模型，建立了有限样本层面的误差保证
该研究方法的关键思路是将分数训练目标与采样网格对齐，从而把统计估计误差与数值离散化误差放在同一分析框架内联合处理
该研究以 X_t 为条件生成 X_{t+Δt} 的样本，通过在观测片段上训练使网络隐式学到条件分布 p(X_{t+Δt}|X_t)
该方法在高维状态空间、非时间齐次过程以及计算效率方面仍有待验证与拓展
arXiv:2610.09045v1 研究提出用条件扩散模型以数据驱动方式学习时间齐次跳跃-扩散过程的转移核，并生成全新样本路径
全部知识事实 (9)
论文给出的全变差上界与现有条件分布估计理论所建立的速率相匹配（相差一个对数因子），达到该类问题的已知最优水平
50%待验证在平滑条件密度模型假设下，对于任意 β>0，选取合适采样网格可使平均条件KL散度达到 Õ_p(n^(-2β/(d_x+d_y+2β))) 的收敛速率
50%待验证在全变差度量下，平均误差为 Õ_p(n^(-β/(d_x+d_y+2β)))
50%待验证论文发现无论采用完整采样器还是提前停止采样器，都能达到相同量级的误差界（在对数因子意义上一致）
50%待验证论文《Finite-Sample Guarantees for Fully Discrete Conditional Diffusion Models》针对从数据中学习、且用有限步数去噪实现的条件扩散模型，建立了有限样本层面的误差保证
50%待验证该研究方法的关键思路是将分数训练目标与采样网格对齐，从而把统计估计误差与数值离散化误差放在同一分析框架内联合处理
50%待验证该研究以 X_t 为条件生成 X_{t+Δt} 的样本，通过在观测片段上训练使网络隐式学到条件分布 p(X_{t+Δt}|X_t)
50%待验证该方法在高维状态空间、非时间齐次过程以及计算效率方面仍有待验证与拓展
50%待验证arXiv:2610.09045v1 研究提出用条件扩散模型以数据驱动方式学习时间齐次跳跃-扩散过程的转移核，并生成全新样本路径
50%