La Difusión de Gibbs Intercalada (IGD) es un novedoso marco de modelado generativo para datos discretos-continuos, centrado en problemas con restricciones importantes, implícitas y no especificadas en los datos. La mayoría de los estudios previos sobre difusión discreta y discreta-continua asumen una distribución de denoiser factorizable, lo que puede dificultar el modelado de fuertes dependencias entre variables aleatorias en estos problemas. En este artículo, demostramos experimentalmente una mejora significativa en el rendimiento de 3-SAT al cambiar a un modelo de difusión discreta de muestreo de Gibbs que no asume factorabilidad. Inspirados por esto, presentamos IGD, que generaliza cadenas de Markov de muestreo de Gibbs de tiempo discreto para la generación discreto-continua. IGD permite una integración fluida entre denoisers discretos y continuos, a la vez que garantiza teóricamente la inversión exacta del proceso directo apropiado. También proporciona flexibilidad en la elección de denoisers y permite la generación condicional mediante la duplicación del espacio de estados y la mejora del tiempo de inferencia. Evaluaciones experimentales en tres desafiantes tareas de generación (estructura molecular, diseño y datos tabulares) demuestran un rendimiento de vanguardia. En particular, IGD logra resultados de vanguardia sin depender de sesgos inductivos específicos del dominio, como la difusión equivariante o la pérdida auxiliar. En este artículo, exploramos diferentes estrategias de modelado e intercalado, e hiperparámetros para cada uno de estos problemas.
