主な発見： 著者らは、拡散モデルの正しい分布学習を、基底の確率密度に対する拡散過程を逆にたどることと位置づけます。主要な失敗例として、逆過程が個々の訓練サンプルに結びついた拡散を学う「記憶化」が挙げられます。

方法と結果： 研究では、記憶化した逆過程を解析的に特徴づけました。さらに、記憶化に関連する熱力学的特異点を検出する基準を提案しています。提案基準は、記憶化を促す設計や抑える設計を持つ複数のニューラルネットワーク上で、適切に学習したネットワークと記憶化したネットワークを信頼性をもって区別したと報告されています。

注意： 要旨には、数値的な性能指標の詳細や、より広い条件やデータセットでの制約についての記載は含まれていません。