离散扩散采样分类MRF：提出pinning分解与权重共享得分学习器，给出端到端样本复杂度界
相关研究与后续进展
核心概要
该工作针对低阶马尔可夫随机场刻画的局部依赖分类分布，提出离散得分函数的pinning分解，据此设计权重共享神经得分学习器并结合τ-leaping构成端到端采样流程，在有限数据下推导出显式依赖词表规模、MRF交互阶数与样本量的最优采样保证，并在Potts、Ising与树结构模型上显示权重共享得分网络在长序列采样上优于全连接网络。
FIG 1. Weight sharing across spatial positions in a CNN and time steps in an unrolled RNN. Matching edge labels denote shared coefficients, replicated by ω. Here ρ is ReLU; biases and zero entries are omitted.
arXiv · 第 10 页深度剖析
提出离散得分函数的pinning分解，指出与连续扩散不同，离散得分可分解为时间依赖与目标依赖相乘分离的分量。 此前离散扩散的采样分析缺少对得分结构的显式刻画，该分解为后续学习与采样误差分析提供结构基础。 该结论以摘要所述“主要技术洞察”形式给出，属于理论构造层面的陈述，摘要未提供证明细节。
基于该分解提出权重共享神经得分学习器，并与τ-leaping结合形成端到端采样流程。 不同于将得分学习误差视为黑箱输入的常见采样分析，该流程把学习与采样纳入统一框架。 摘要给出方法构成与组合方式，未给出网络规模、训练细节或超参数设置。
在有限数据下研究得分学习误差，推导出显式依赖词表规模、MRF交互阶数与样本量的最优采样保证。 把样本复杂度从黑箱假设推进到对具体问题参数的显式依赖。 摘要声明为“最优采样保证”，但未列出具体速率、常数或定理编号。
单一得分网络在均匀噪声水平上训练，采样离散化留待推理时选择，从而按推理预算在精度与计算成本间权衡；在Potts、Ising与树结构模型上，权重共享得分网络在长序列采样上优于全连接网络。 训练与推理解耦使同一模型可适配不同推理预算，并以数值实验支持长序列场景下的优势。 数值实验覆盖三类模型，摘要未报告具体指标、序列长度或统计显著性。
启示与展望
该结果面向由低阶马尔可夫随机场刻画的局部依赖分类分布，采用均匀加噪的离散扩散与τ-leaping采样，适用于统计、经济与物理中需要从高维分类分布采样的场景，例如有限记忆语言模型、Ising与Potts系统以及蛋白质折叠。其训练策略允许单一得分网络在推理时按计算预算选择采样离散化，因此对需要在不同推理成本下复用同一模型的工程实践具有直接参考价值。
摘要未给出样本复杂度的具体速率形式、常数因子或定理条件，也未报告数值实验的指标、序列长度与对比设置，因此无法从摘要判断理论保证的紧致程度与实验优势的幅度。pinning分解的证明细节、权重共享网络的具体结构以及τ-leaping步长选择对保证的影响，仍需查阅正文确认。