본 연구에서는 합성 데이터 생성 맥락에서 확산 모델 추론을 가속화하기 위한 차원 축소 기법을 개발합니다. 압축 센싱을 확산 모델 (CSDM)에 통합하는 것을 아이디어로 합니다. 먼저, 데이터를 잠재 공간으로 압축하고, 잠재 공간에서 확산 모델을 학습합니다. 다음으로, 압축 센싱 알고리즘을 사용하여 잠재 공간에서 생성된 샘플을 원래 공간으로 디코딩합니다. 목표는 모델 학습과 추론의 효율성을 높이는 것입니다. 데이터에 대한 특정 희소성 가정을 통해 제안된 접근 방식은 확산 모델 추론과 희소 복구를 결합하여 입증된 더 빠른 수렴을 달성합니다. 또한 잠재 공간 차원의 최적 선택에 대한 통찰력을 제공합니다. 이 접근 방식의 효과를 입증하기 위해 필기 숫자, 의료 및 기후 이미지, 스트레스 테스트를 위한 금융 시계열 데이터를 포함한 다양한 데이터 세트에 대해 수치 실험을 수행합니다.
