Naukowcy opracowali teoretyczne ramy, które formułują modelowanie generatywne jako całkę po ścieżkach. W tym podejściu różne klasy modeli generatywnych - flow-based, diffusion-based, wariacyjne i adversarial - pojawiają się naturalne jako różne sposoby ewaluacji pojedynczej akcji nadrzędnej. To stanowi znaczące ujednolicenie w dziedzinie, która tradycyjnie traktowała te podejścia jako odrębne kierunki badań.
Klucz do tego ujednolicenia leży w zastosowaniu formalizmu Martin-Siggia-Rose-Janssen-de Dominicis (MSRJD). Ta matematyczna struktura rozdziela przepływy prawdopodobieństwa na część swobodną i oddziałującą, co otwiera możliwość użycia potężnych narzędzi z teorii perturbacji - konkretnie diagrammatycznej teorii perturbacji. Ta ekspansja teoria yielded praktyczne wyniki: autorzy pokazują, że można obliczyć poprawkę jednopętlową dla deterministycznych samplerow bez ponoszenia dodatkowych kosztów związanych ze stochastycznym próbkowaniem. Walidacja na rozwiązywalnych i nieliniowych driftach wykazała imponujący postęp - błąd na poziomie drzewa (tree-level) został zmniejszony z 53 procent do zaledwie 1.6 procent.
Podejście wprowadza także nowe perspektywy na istniejące problemy. Niedoskonałe wyliczone score-y wchodzą w teorię jako perturbacje i prowadzą do nowego celu score-matchingu ważonego odpowiedzią. Dodatkowo, projektowanie drift-u z symetrią equivariant staje się ekspansją operatorową z power countingiem Effective Field Theory. To otwarcie, że formalizm teorii pola może być systematycznie zastosowany do modelowania generatywnego, sugeruje głębokie powiązania między fizyczną teoriąperturbacji a uczeniem maszynowym.