Naukowcy opracowali nową teoretyczną analizę łączącą score matching, maximum likelihood oraz algorytmy EM w problemie mieszanej regresji liniowej, gdzie wagi mieszania poszczególnych komponentów są nieznane. Kluczowym wkładem pracy jest oddzielenie gwarancji statystycznych score matching od geometrii straty i sygnału optymalizacyjnego na stałym poziomie szumu dyfuzji.
Autorzy wykazali, że rozbieżność Kullbacka-Leiblera łączy cel denoising score matching zintegrowany na całej ścieżce dyfuzji z wiarygodnością i dyskrepancją terminalną. Pod pewnymi łagodnymi warunkami regularności estymator zbiegą się do prawdziwych parametrów problemu, a błąd skalowany dąży do granicy Gaussowskiej maksymalnego estymatora wiarygodności. Na stałym poziomie szumu dyfuzji autorzy wyprowadzili dekompozycję wiążącą stratę score matching z operatorami cross-entropii i EM, co ujawnia strukturę algorytmu.
Praca ma znaczenie dla głębokich modeli generatywnych i algorytmów wariacyjnych. Połączenie score matching z klasycznymi metodami statystycznymi otwiera nowe perspektywy dla zrozumienia zbieżności w problemach mieszanych komponentów. Wyniki teoretyczne wspierane są eksperymentami numerycznymi demonstrującymi praktyczną użyteczność podejścia.