इंटरलीव्ड गिब्स डिफ्यूज़न (IGD) असतत-सतत डेटा के लिए एक नया जनरेटिव मॉडलिंग ढांचा है, जो डेटा में महत्वपूर्ण, अंतर्निहित और अनिर्दिष्ट बाधाओं वाली समस्याओं पर ध्यान केंद्रित करता है। असतत और असतत-सतत प्रसार पर पिछले अधिकांश अध्ययनों में एक कारकीय शोर रहित वितरण माना जाता है, जो इन समस्याओं में यादृच्छिक चर के बीच मजबूत निर्भरता के मॉडलिंग में बाधा डाल सकता है। इस पत्र में, हम प्रयोगात्मक रूप से गिब्स नमूना-शैली असतत प्रसार मॉडल पर स्विच करके 3-SAT प्रदर्शन में एक महत्वपूर्ण सुधार प्रदर्शित करते हैं जो कारकीयता को नहीं मानता है। इससे प्रेरित होकर, हम IGD प्रस्तुत करते हैं, जो असतत-सतत पीढ़ी के लिए असतत-समय गिब्स नमूना-प्रकार मार्कोव श्रृंखलाओं को सामान्यीकृत करता है। IGD असतत और निरंतर शोर रहित करने वालों के बीच सहज एकीकरण की अनुमति देता है जबकि सैद्धांतिक रूप से उपयुक्त अग्रवर्ती प्रक्रिया के सटीक उलट की गारंटी देता है। यह शोर रहित करने वालों के चयन में लचीलापन भी प्रदान करता है और राज्य-स्थान दोहरीकरण और अनुमान समय सुधार के माध्यम से सशर्त पीढ़ी की अनुमति देता है। तीन चुनौतीपूर्ण उत्पादन कार्यों, आणविक संरचना, लेआउट और सारणीबद्ध डेटा पर प्रायोगिक मूल्यांकन, अत्याधुनिक प्रदर्शन को प्रदर्शित करते हैं। विशेष रूप से, IGD समतुल्य प्रसार या सहायक हानि जैसे डोमेन-विशिष्ट प्रेरक पूर्वाग्रहों पर निर्भर किए बिना अत्याधुनिक परिणाम प्राप्त करता है। इस पेपर में, हम इनमें से प्रत्येक समस्या के लिए विभिन्न मॉडलिंग और इंटरलीविंग रणनीतियों और हाइपरपैरामीटर का पता लगाते हैं।
