본 논문은 확산 모델의 샘플 복잡도에 대한 이론적 분석을 제공합니다. 기존 분석들의 주요 한계점인 입력 데이터 차원에 대한 불리한 스케일링 문제와 정확한 경험적 위험 최소화기를 필요로 하는 비현실적인 가정을 극복하고자, 점수 추정에 대한 체계적인 분석을 통해 $\widetilde{\mathcal{O}}(\epsilon^{-6})$의 샘플 복잡도 경계를 설정합니다. 점수 추정 오차를 통계적, 근사적, 최적화적 오차로 구조적으로 분해하여 기존 분석에서 발생하는 신경망 매개변수에 대한 지수적 의존성을 제거합니다. 특히, 점수 함수 추정 손실의 경험적 위험 최소화기에 대한 접근을 가정하지 않고 샘플 복잡도 경계를 달성한 최초의 결과입니다.
