타깃 기하학
잠재 공간에서의 타깃 기하학은 신경망이 학습하는 목표 분포의 모양을 의미한다. x(clean latent), ϵ(noise), v(x−ϵ) 간의 선형적 관계가 존재하더라도 finite-capacity 모델은 각 타깃에 따라 오차 분포와 학습 난이도가 달라진다. 이로 인해 동일한 표현 공간에서도 학습 효율과 샘플링 속도가 달라지며, 본 연구는 latent 공간에서의 타깃 선택이 성능 차이에 직접 기여함을 보인다.