본 논문은 이산 영역에서 복잡한 비정규화 분포로부터의 샘플링 학습에 초점을 맞추고 있으며, 통계 물리학, 변분 추론, 조합 최적화 등 다양한 분야에 응용 가능성을 제시합니다. 기존의 이산 확산 모델은 메모리 스케일링 문제로 인해 확산 단계 수에 제한이 있었는데, 이 논문에서는 정책 경사 정리와 자기 정규화 신경 중요도 샘플링(SN-NIS)을 활용한 두 가지 새로운 훈련 방법을 제안합니다. 이를 통해 메모리 효율적인 훈련을 달성하고, 비지도 조합 최적화에서 최첨단 결과를 얻었습니다. 또한, SN-NIS와 신경 마르코프 체인 몬테카를로(MCMC)를 적용하여 처음으로 이산 확산 모델을 균일 샘플링 문제에 적용할 수 있도록 하였으며, 이징 모델 벤치마크를 통해 기존의 자기 회귀 접근 방식보다 우수한 성능을 보임을 확인했습니다.