본 논문은 확산 모델의 샘플 복잡도에 대한 이론적 분석을 제공합니다. 기존 분석들의 주요 한계점인 입력 데이터 차원에 대한 성능 저하 및 실제로는 불가능한 가정 (예: 정확한 경험적 위험 최소화기 접근)에 대한 의존성을 극복하고자 합니다. 본 연구는 점수 추정 오차를 통계적, 근사적, 최적화적 오차로 구조적으로 분해하여 분석함으로써, 기존 분석에서 나타나는 신경망 매개변수에 대한 지수적 의존성을 제거합니다. 특히, 점수 함수 추정 손실의 경험적 위험 최소화기에 대한 접근을 가정하지 않고도 $\widetilde{\mathcal{O}}(\epsilon^{-6})$의 샘플 복잡도 경계를 달성한 최초의 결과입니다.
