我们为在强烈的对数符合数据分布的假设下提供了基于扩散的一代模型的收敛行为，而我们用于得分估计的近似函数类别是由Lipschitz的连续函数制成的，避免了分数功能上的任何Lipschitzness假设。我们通过一个激励的例子来证明，从具有未知平均值的高斯分布中取样，我们的方法的强大性。在这种情况下，为关联的优化问题提供明确的估计值，即得分近似，而这些分数与corrempond的抽样估计值结合在一起。因此，我们从关键量的关键量（例如融合的尺寸和收敛速率）中获得了数据分布之间的wasserstein-2距离（均值不明的高斯）和我们的采样算法之间的最佳知名度上限估计。除了激励示例之外，为了允许使用各种随机优化器，我们使用L 2合理的分数估计假设呈现结果，这是在随机优化器和我们的新型辅助过程中仅使用仅使用已知信息的新型辅助过程的期望。这种方法对于我们的采样算法产生了最著名的收敛速率。