La stocasticità migliora la qualità del campionamento nella diffusione discreta

Un nuovo studio da arXiv (2605.26582) esamina sistematicamente come il grado di stocasticità nelle transizioni di Markov influenzi il compromesso tra efficienza di campionamento e qualità del campione nei modelli di diffusione discreta. Gli autori dimostrano che le transizioni altamente deterministiche convergono rapidamente ma accumulano errori, mentre le transizioni più stocastiche convergono lentamente ma possono raggiungere una qualità finale del campione più elevata. Attraverso un'analisi teorica dell'informazione, identificano un meccanismo di correzione degli errori guidato da transizioni ridondanti che scambiano simmetricamente massa tra stati, il quale contrae in modo dimostrabile gli errori di campionamento. Basandosi su questa intuizione, propongono Discrete Churn and Restart Sampling (DCRS), un nuovo algoritmo di inferenza che inietta stocasticità controllata per migliorare le prestazioni.