확산 모델(Diffusion Models, DMs)과 변분 오토인코더(Variational Autoencoders, VAEs)는 경험적으로 성공적이지만, 특히 공유 인코더-생성기 구조를 완전히 고려하지 않은 채 그 일반화 성능에 대한 이론적 탐구는 부족하다. 본 논문은 최근 정보이론적 도구를 활용하여 인코더와 생성기를 랜덤 매핑으로 취급함으로써 둘 다의 일반화에 대한 보장을 제공하는 통합된 이론적 프레임워크를 제안한다. 이 프레임워크는 (1) 이전에 간과되었던 생성기의 일반화를 고려하여 VAEs에 대한 세련된 분석을 가능하게 하고, (2) 확산 시간 T에 따라 달라지는 DMs의 일반화 조건에서 명시적인 트레이드오프를 보여주며, (3) 오직 훈련 데이터에 기반하여 DMs에 대한 계산 가능한 경계를 제공하여 최적의 T를 선택하고 모델 성능을 향상시키기 위해 최적화 과정에 이러한 경계를 통합할 수 있게 한다. 합성 및 실제 데이터 세트에 대한 실험 결과는 제안된 이론의 타당성을 보여준다.
