최근 연구에서는 디퓨전 및 플로우 기반 생성 모델에 두꺼운 꼬리(HT) 노이즈를 통합하여 대상 분포의 꼬리를 더 잘 복구하고 생성 다양성을 향상시키는 것을 목표로 합니다. 이는 데이터가 두꺼운 꼬리를 가질 경우 HT 노이즈가 가우스(LT) 노이즈보다 더 잘 맞을 수 있다는 직관적인 동기 부여에서 비롯됩니다.
본 연구에서는 이론적, 실증적 연구를 결합하여 HT 및 LT 노이즈로 구동되는 두 가지 대표적인 디퓨전 모델의 샘플링 오류 경계를 확립했습니다. HT 노이즈는 통계적 추정 문제를 더욱 어렵게 만들어 덜 유리한 샘플링 오류 경계를 초래한다는 것을 보여줍니다.
합성 및 실제 데이터 세트에 대한 실험을 통해 예측된 오류 균형을 실증적으로 회복하여 이러한 결과를 뒷받침했습니다. 이러한 결과는 생성 모델링의 성장하는 설계 트렌드에 의문을 제기하고 희귀 영역 탐색을 개선하기 위해 HT 노이즈를 사용하는 것에 대한 도전을 제시합니다.