연구진이 이산 확산 모델의 효율적인 샘플링을 위해 대비 분포 매칭(CDM) 프레임워크를 제안했어요. CDM은 순차적 몬테카를로(SMC) 추론 비용을 절감하기 위해 긍정 및 부정 샘플을 활용하여 매개변수화된 트위스트 함수를 학습해요.
기존 방식 대비 CDM은 학습 과정에서 효율적인 기울기 추정기를 활용하여 5% 미만의 추가적인 계산 오버헤드만 발생시켜요.
독성 텍스트 생성, DNA 서열 설계, 단백질 설계, 거대 언어 모델 정렬 등 다양한 분야에서 기존 방식보다 성능이 우수함을 입증했어요.