تعتبر النماذج التوليدية (Generative Models) أداة قوية في دعم عمليات اتخاذ القرار تحت حالات عدم اليقين، حيث يمكنها إنتاج مجموعات من المسارات المستقبلية المحتملة. ومع ذلك، يجب التنويه إلى أن الاحتمالية الإحصائية لا تضمن دائمًا القبول الهيكلي (Structural Feasibility). في هذه الدراسة الجديدة، يتم التحقيق فيما إذا كانت القيود الرمزية التي يتم تطبيقها بعد عملية العينة يمكن أن تُحسن من موثوقية نمذجة المسارات التوليدية في الأنظمة الرسومية الديناميكية.

تم استخدام نموذج انتشار شرطي (Conditional Diffusion Model) لتوليد المسارات المستقبلية للحالة الرسومية استنادًا إلى ملاحظات جزئية. وعُرضت طبقة رمزية خارجية لتطبيق ترشيح صارم (Hard Filtering) أو وزن ناعم (Soft Weighting) أو إصلاح قائم على الإسقاط (Projection-Based Repair). تم تقييم إطار العمل الناتج على نظامين اصطناعيين مُتحكم فيهما: رسم بياني مدمج (Compact Graph) ورسم بياني معقد متوسط (Medium-Complexity Dependency Graph)، باستخدام مقاييس للفاعلية الهيكلية، كفاءة العينة، التنوع، المتانة، والمعايرة.

أظهر النظام المدمج أن النموذج ينشئ كتلة احتمال غير válido بنسبة 0.002996، مما يدل على وجود مجموعة مقبولة تمامًا من المسارات. ومع ذلك، تحت نفس الهيكل وبروتوكول التدريب، زادت الكتلة غير المقبولة إلى 0.155929 في النظام المعقد. أظهر ترشيح القيود الصارمة إزالة جميع المسارات المحتفظ بها غير الصالحة، مع الحفاظ على 84.4٪ من النماذج المولدة. بينما احتفظ الوزن الناعم بحجم عينة فعال ولكنه حقق زيادات محدودة في الصلاحية.

تحليل العائلة يظهر أن قيود التبعية تمثل حوالي جميع حالات عدم القبول الملاحظة. تشير هذه النتائج إلى أن الاحتمالية الإحصائية والقبول الهيكلي هما خصائص موثوقية مختلفة، وأن إدارة القيود الرمزية تصبح أكثر قيمة مع زيادة تعقيد الهيكل الرسومي.