생성 모델 (Generative models)의 놀라운 경험적 성공에도 불구하고, 과학 계산 (Scientific computing) 분야에서 이들의 통계적 정확성에 관한 가용 이론은 여전히 대체로 비관적입니다. 본 논문은 PDE (편미분 방정식) 유도 확률 측도 (PDE-induced probability measures)에 대한 1단계 Wasserstein 가이드 생성 모델 (One-step Wasserstein-guided generative models)의 정칙성 (Regularity)과 일반화 특성 (Generalization properties)을 이해하기 위한 이론적 프레임워크를 개발합니다. 우리는 유계 영역 (Bounded domains)에서의 선형 타원형 (Linear elliptic) 및 포물선형 (Parabolic) 방정식과 관련된 정규화된 타겟 밀도 (Normalized target densities), 그리고 토러스 (Torus) 상의 확산 (Diffusion) 및 Fokker--Planck 방정식과 관련된 밀도를 고려합니다. 표준적인 구조적 가정 하에, 우리는 이러한 타겟 측도 (Target measures)가 배가 조건 (Doubling conditions)을 만족함을 증명합니다. 이 사실을 배가 측도 (Doubling measures) 간의 최적 운송 (Optimal transport)에 대한 정칙성 이론과 결합함으로써, 균등 소스 측도 (Uniform source measure)에서 타겟 측도로의 최적 운송 맵 (Optimal transport map)이 횔더 연속 (Hölder continuous)임을 보여줍니다. 이러한 정칙성은 단일 푸시포워드 맵 (Pushforward map)을 통해 PDE 유도 분포를 학습하는 1단계 생성 모델에 대한 근사 이론적 정당성을 제공합니다. 대표적인 사례로서, 우리는 DeepParticle을 연구하고 학습된 맵과 모집단 최적 맵 (Population-optimal map) 사이의 불일치를 특징짓는 초과 위험 경계 (Excess-risk bounds)를 도출합니다. 또한 타겟 시프트 (Target shift) 하에서의 강건성 추정치 (Robustness estimate)를 확립하고, 도출된 속도 (Rates)를 뒷받침하는 실험을 통해 이론을 입증합니다.