우리는 이동하는 목표 분포의 경로를 추적하고 시간 지연을 통해 최종 목표를 근사하는 샘플러인 느리게 감쇠된 Langevin 동역학(Slowly Annealed Langevin Dynamics, SALD)을 연구합니다. 우리는 KL 미분 부등식(KL differential inequality)을 통해 비점근적 수렴 보장(non-asymptotic convergence guarantees)을 확립하며, 지연이 중간 목표와 경로의 복잡성을 수축함으로써 추적을 개선함을 보여줍니다. 사전 훈련된 점수 기반 생성 모델(score-based generative models)을 사용한 훈련 없는 안내 생성(training-free guided generation)에 영감을 받아, 우리는 사전 훈련된 모델의 근본적인 주변 분포(underlying marginal distributions)를 명시적으로 통합하고 지연을 사용하여 안내로 인해 발생하는 추가 편차를 보정하는 속도 인식 SALD(Velocity-Aware SALD, VA-SALD)를 추가로 소개합니다. 이는 확산 기반 및 관련 생성 모델 계열에 대한 훈련 없는 안내 생성을 위한 원칙적인 프레임워크를 제공하며, 중간 함수 부등식(intermediate functional inequalities)과 안내 편향(guidance bias)의 역할을 명확히 하는 수렴 보장과 함께 합니다. 코드는 https://github.com/anitan0925/sald에서 이용 가능합니다.