본 논문은 볼츠만 분포로부터 독립적이고 동일하게 분포된(IID) 샘플을 생성하는 효율적인 샘플러를 개발하는 문제를 다룹니다. 기존의 볼츠만 분포 데이터 대신 에너지 함수를 이용하여 신경망 샘플러를 학습하는 방법을 제안합니다. 잡음이 추가된 데이터의 에너지를 학습하는 확산 기반 샘플러인 Noised Energy Matching (NEM)을 제안하며, 이는 기존 연구보다 낮은 분산과 높은 복잡도를 갖는 이론적 근거를 제시합니다. 또한, 편향과 분산 간의 균형을 맞추기 위해 NEM에 새로운 부트스트래핑 기법을 적용한 BNEM을 제안합니다. 2차원 40개 가우시안 혼합 모델(GMM)과 4입자 이중 우물 퍼텐셜(DW-4)에 대한 실험 결과를 통해 BNEM이 최첨단 성능을 달성하고 더욱 강건함을 보임을 확인합니다.
