신호 마스킹 확산의 데이터 기하학: 언마스킹 성장 복잡도를 통한 인증된 최적 스케줄

요약

이 논문은 생성모델링에서 쓰이는 이산 샘플링 기법인 마스킹 확산을 다루며 '언마스킹 성장 복잡도(UGC)'라는 새로운 경로 기반 데이터 기하학 척도를 제시한다. 저자들은 이 척도의 국소적 증분이 쿨백-라이블러 이산화 오차를 직접 통제함을 보인다. 이를 통해 베르누이-부분집합 방식과 고정기수 방식이라는 서로 다른 두 언마스킹 스킴을 하나의 이론틀로 함께 설명한다. 로그-공개오즈 좌표계에서 이 구조를 활용하면 경험적 튜닝이 아니라 이론적으로 최적성이 보장되는 '인증된 최적 스케줄'을 도출할 수 있다. 특정 응용 분야를 명시하지 않은, 생성모델 학습역학에 대한 순수 이론 연구다.