Interleaved Gibbs Diffusion（IGD）は、離散連続データのための新しい生成モデリングフレームワークです。離散および離散連続拡散に関する以前の研究の大部分は、取得可能な脱雑音分布を仮定しており、これはこれらの問題における確率変数間の強力な依存性モデリングを妨げる可能性があります。本論文では,買収可能性を仮定しないGibbsサンプリングスタイルの離散拡散モデルに切り替え,3-SAT性能の大幅な改善を実験的に実証した。これに着目して、離散連続生成の場合、離散時間Gibbsサンプリングタイプのマルコフチェーンを一般化するIGDを提示します。 IGD は、離散的および連続的な脱雑音の間のシームレスな統合を可能にしながら、適切な順方向プロセスの正確な逆転を理論的に保証します。さらに、脱雑音の選択の柔軟性を提供し、状態空間の倍加と推論時間の改善によって条件付き生成を可能にする。分子構造、レイアウト、および表形式データという3つの困難な生成タスクの実験的評価は、最先端のパフォーマンスを示しています。特に、IGDは、等辺拡散や補助損失などのドメイン固有の誘導偏向に頼ることなく、最先端の結果を達成します。本論文では、これらの問題ごとに、さまざまなモデリングとインターリーブ戦略とハイパーパラメータを探ります。
