이산 확산 모델(Discrete Diffusion Model)은 무엇을 학습하는가: 디노이저(denoiser), 스코어 비율(score ratio), 아니면 브릿지 플러그인 예측기(bridge plug-in predictor)인가? 점프율(jump rates) 수준에서 이들은 서로 다른 좌표계에 있는 하나의 객체이며, 신경망을 잘못된 좌표계로 읽는 것은 훈련 및 샘플링되는 프로세스를 변화시킨다. 경계항(boundary terms)을 포함하여, 임의의 노이징 프로세스(noising process)에 대한 연속 시간 마르코프 체인(Continuous-Time Markov Chain, CTMC) ELBO의 엄밀한 유도로부터, 우리는 extit{오라클 거리(Oracle Distance)} 정리를 증명한다: 음의 ELBO는 단순한 상한(bound)이 아니라, 데이터 엔트로피(data entropy)와 오라클 역과정(oracle reverse process)에서 학습된 과정으로의 경로 KL(path KL)의 합과 정확히 일치한다. 따라서 이 모델의 고유한 옵티마이저(optimizer)는 현재의 노이즈가 섞인 상태가 주어졌을 때의 실제 역점프율(reverse jump rate)의 조건부 기대값이며, 이의 줄일 수 없는 비용(irreducible cost)은 순수 데이터 $Z_0$에 대한 순방향 프로세스 $Z_t$의 정보 파괴율, 즉 $- frac{d}{dt}I(Z_0; Z_t)$이다. 따라서 모든 노이징 프로세스는 동일한 최적 달성 가능 음의 ELBO인 데이터 엔트로피를 공유한다. 토큰 인수화 노이즈(token-factorizing noise)를 가진 시퀀스의 경우, 오라클 투영(oracle projection)은 옵티마이저를 위한 세 가지 정확한 좌표인 디노이저(denoiser), 캐비티(cavity, 브릿지 플러그인), 그리고 스코어(score)를 산출하며, 이들 사이에는 폐형식(closed-form) 변환이 존재한다. 이 프레임워크는 기존 문헌의 각 손실 함수(loss)가 실제로 어떤 법칙을 최적화하는지 식별하여 MDM, UDM, SEDD, GIDD를 특수한 사례로 복원한다. 또한 마스크 확산(masked diffusion)에서는 디노이저와 캐비티가 일치하지만 균등 확산(uniform diffusion)에서는 그렇지 않은 이유를 설명하고, 디노이저 파라미터화(denoiser parameterization)가 균등 ELBO를 초기화 시 발산하게 만드는 반면 브릿지 플러그인은 유한하게 유지함을 증명하며, 초기화 시점의 ELBO 구현을 정확하게 교정한다. 모든 항등식은 정확하게 풀 수 있는 모델(exactly solvable model)을 통해 근사 없이 수치적으로 검증되었다.