본 논문은 비정규화 확률밀도에서 표본을 추출하는 효과적인 방법으로, 간단한 사전 분포에서 복잡한 목표 분포로의 점진적인 표본 전달이라는 아이디어에 기반한 순차적 몬테카를로(SMC)와 확산 기반 표본 추출 방법을 소개합니다. SMC는 연속된 어닐링 밀도를 통해 마르코프 체인과 재샘플링 단계를 이용하여 전달을 수행하는 반면, 확산 기반 방법은 학습된 동적 전달을 사용합니다. 본 논문에서는 두 방법을 연속 시간으로 보고 경로 공간 상의 측도를 고려하여 SMC와 확산 기반 표본 추출기를 결합하는 원칙적인 프레임워크를 제시합니다. 이를 통해 새로운 순차 제어 랑주뱅 확산(SCLD) 표본 추출 방법을 제안하며, 이는 두 방법의 장점을 활용하여 여러 벤치마크 문제에서 기존 확산 기반 표본 추출기보다 10%의 학습 비용만으로도 향상된 성능을 달성합니다.
