# 图扩散模型

该工作主张低维拓扑（如莫尔斯理论）可为机器学习提供尚未被充分探索的互补视角，提出引入配边理论概念并利用离散莫尔斯理论工具构建 MG-Diff 流程以改进图扩散模型性能，推导出在正决策间隙下莫尔斯理论工具及其诱导扩散引导在小扰动下保持稳定的理论保证与充分条件，并在时空图预测与图再生任务上展示其效用。

该工作主张低维拓扑（如莫尔斯理论）可为机器学习提供尚未被充分探索的互补视角，提出引入配边理论概念并利用离散莫尔斯理论工具构建 MG-Diff 流程以改进图扩散模型性能，推导出在正决策间隙下莫尔斯理论工具及其诱导扩散引导在小扰动下保持稳定的理论保证与充分条件，并在时空图预测与图再生任务上展示其效用。