본 논문은 이산 데이터 모델링에서 유망한 패러다임으로 떠오른 이산 확산(Discrete diffusion)의 한계를 극복하기 위해 Discrete Markov Bridge라는 새로운 프레임워크를 제안합니다. 기존 방법들이 고정된 전이 행렬에 의존하여 잠재 표현의 표현력과 설계 공간을 제한하는 문제점을 해결하기 위해, 행렬 학습(Matrix Learning)과 점수 학습(Score Learning)이라는 두 가지 핵심 구성 요소를 기반으로 합니다. 이론적 분석을 통해 행렬 학습의 성능 보장과 전체 프레임워크의 수렴성을 증명하고, 공간 복잡도를 분석하여 실질적인 제약을 해결합니다. Text8 데이터셋에서 1.38의 ELBO를 달성하여 기존 기준 모델들을 능가하고, CIFAR-10 데이터셋에서도 이미지 특화 생성 접근 방식과 비교할 만한 성능을 보여줍니다.
