提出KGO框架，融合Koopman算子结构先验与生成建模，实现高表达不确定性与快速采样的概率时序预测。

提出基于终端密度的损失函数，联合优化神经SDE的漂移、扩散场及初始分布，在混合高斯实验中显著减少离模采样。

首次为离散扩散模型构建ODE形式采样器（ERF），引入连续残差变量实现确定性加速采样。

为掩码扩散模型（MDM）建立首个端到端生成保证，覆盖学习误差与采样误差，在条件混合源下给出可控误差界。

面向神经网络初学者的音乐生成综述，系统讲解音频编解码器、扩散模型、流匹配等主流方法。