본 논문은 스코어 기반 확산 모델의 이론적 기반을 탐구하며, 신경망이 스코어 함수를 정확하게 근사하면 역확산 과정에 의해 생성된 확률 분포가 목표 데이터 분포와 KL 발산 측면에서 유사해짐을 증명했어요.
스코어 근사 오차, 확산 노이즈 스케줄, 터미널 사전 불일치 간의 명확한 상한을 도출하여 분포 근사 오차에 대한 수량적 연결 고리를 제시했어요.
Hornik의 범용 근사 정리, Girsanov의 경로 공간 정리, 상대 엔트로피를 위한 데이터 처리 부등식을 결합하여 스코어 함수 근사가 역확산 모델에 의해 생성된 확률 분포 근사에 어떻게 기여하는지 분석했어요.