この論文は、金融時系列に特有の「ボラティリティ・クラスタリング」（大きな振幅が連続して現れる性質）を拡散型生成モデルに組み込む方法を示します。研究者らは、ノイズの振幅（分散）を単なる独立乱数ではなく、隣接する時点で依存する一次自己回帰（AR(1)）の鎖として扱う新しいモデル、Denoising Subordinated Probabilistic Model（DSPM）を提案しました。これにより「瞬間分散」が時間に沿ってゆっくり変化する様子をモデル化できます。ここで使う「テンパード安定サブオーディネータ」は、重い裾（まれに大きな値をとる）があるが適度に収束する正の増分分布です。

具体的に彼らは、従来のDDPM（Denoising Diffusion Probabilistic Model：データにガウスノイズを加えて逆に学習する手法）のノイズ構造を、各座標の分散を決める混合変数ベクトルAをAR(1)で生成する形に置き換えました。Aの生成は離散版のBarndorff–Nielsen–Shephard（BNS）確率ボラティリティ過程に相当します。重要な点は「Aを条件付ける」限り、DDPMの訓練とサンプリングの計算式はそのまま使えることです。さらに連鎖のパラメータから過剰尖度（kurtosis）や二乗ノイズの自己相関を閉形式で導け、解析的に逆関数を取ることで厳密な較正（キャリブレーション）も可能です（例：有効性の枠はρ1 < K/(3(K+2))という不等式で示されます）。また、従来モデルのDLPMやStudent-t型のノイズは記憶パラメータφの境界ケースとして含まれます。

理論的に興味深い結果も示されます。もし「デノイザー」が混合変数Aを条件として受け取る（訓練時と生成時の両方でAが与えられる）なら、混合分布の詳細は「煩わしいパラメータ（ヌイサンス）」に過ぎません。理想的なデノイザー極限では、生成分布は混合法則に依存せず、Aに対する外的介入は結果に影響を与えない――という主張です。実験はこれを裏付けます。Aを条件に与えたモデルは、異なるAの法則でもデータのクラスタリングを再現しました。一方で、デノイザーにAを見せない「ブラインド」モデルは、ノイズ機構をそのまま生成に伝えます。設計した×8のボラティリティ衝撃は、条件付けモデルでは振幅包絡を13%未満しか動かさず（単純な予測では+183%と見積もられた）、ブラインドモデルでは理論較正どおりの自己相関を再現しました（例：ラグ1の二乗リターン自己相関0.151 vs 校正値0.161）。

一方で「制御」を取り戻すための手段も示されます。データに結合する形で各経路の潜在分散を推定する変分エンコーダ qψ(A|x0) を導入し、対数正規の事前を置くことで解析的なKL項が得られます。ここで重要なのは、単純化したデノイジング損失がノイズ共分散の対数行列式項を捨ててしまうため、エンコーダに十分な勾配が渡らない点です。論文はこの項を保持する（古典的な確率的ボラティリティ尤度を目的に含める）ことが実務上必須であると報告します。そうして結合モデルを学習すると、衝撃応答が改善され（論文の例ではエンコーダ付きで3.07、単純結合で2.83のスケール）、保持された経路に対する潜在ボラティリティの復元は良好で（経路ごとの相関0.57、プールでは0.76）、事前の記憶パラメータも真の持続性へ近づきました。ただし代償があります。結合モデルの非条件な尖度はガウスより低くなり、忠実性（元データの分布を正しく再現すること）と制御（外的介入で生成を動かせること）を同時に満たす点はまだ解決されていません。

限界や注意点を整理します。提案手法は理論から実験まで一貫した証拠を示しますが、訓練で簡略化した損失を使うとエンコーダは機能しにくく、単純な結合は崩壊または情報漏洩を起こすことが報告されています。計算コストは論文の規模で約10%の上昇にとどまるとされますが、結合モデルは分布の形状（例：尖度）で望ましい特性を失い得ます。モデル族には可検証な制約（ρ1 < K/(3(K+2))）があるため、任意の自己相関と尖度を同時に説明できるわけではありません。最後に本稿は作業稿（working draft）であり、全ての導出と数値は付属スクリプトで再現可能と明記されています。