# 隐马尔可夫树混合模型

基于Transformer的掩码扩散模型首次获得端到端统计保证：当数据分布可由隐马尔可夫树混合近似时，达到KL精度所需的训练样本量由隐结构复杂度决定，而非随序列空间规模指数增长。分析同时覆盖并行采样带来的并行化误差与有限样本下掩码预测器的估计误差，且Transformer架构与采样过程无需知道树拓扑或分量参数，能自动适应未知隐结构。

基于Transformer的掩码扩散模型首次获得端到端统计保证：当数据分布可由隐马尔可夫树混合近似时，达到KL精度所需的训练样本量由隐结构复杂度决定，而非随序列空间规模指数增长。分析同时覆盖并行采样带来的并行化误差与有限样本下掩码预测器的估计误差，且Transformer架构与采样过程无需知道树拓扑或分量参数，能自动适应未知隐结构。