Yapay zeka alanında kullanılan difüzyon modelleri, metin üretimi ve graf analizi gibi çeşitli alanlarda güçlü sonuçlar verirken bazı temel sınırlılıklarla karşı karşıya kalıyordu. Araştırmacılar bu sorunları çözmek için yenilikçi bir yaklaşım geliştirdi.
Mevcut sistemlerde maskeli difüzyon modelleri, erken aşamalarda alınan kararlar nedeniyle geri döndürülemez hatalar biriktiriyordu. Uniform difüzyon modelleri ise kendi kendini düzeltme kabiliyetine sahip olmalarına rağmen, ara latent durumlarına aşırı bağımlılıkları nedeniyle genellikle düşük kaliteli sonuçlar üretiyordu.
IDDM (Interpolating Discrete Diffusion Model) adlı yeni sistem, ara latent durumlara olan bağımlılığı azaltarak difüzyon sürecini iyileştiriyor. Sistemin merkezinde yer alan kontrollü yeniden örnekleme mekanizması, olasılık kütlesini kısmen marjinal dağılıma sıfırlayarak hata birikimini önlüyor ve token düzeltmelerini daha etkili hale getiriyor.
IDDM'nin üretici süreci üç farklı durumu interpolasyonla birleştiriyor: mevcut durumda kalma, önceki dağılımdan yeniden örnekleme ve hedef duruma doğru ilerleme. Bu yaklaşım, marjinal dağılımları koruyarak daha istikrarlı ve kaliteli sonuçlar elde etmeyi mümkün kılıyor.