🤖 machine learning

Set Diffusion: Interpolating Token Orderings Between Autoregression and Diffusion for Fast and Flexible Decoding

यह शोध पत्र 'सेट डिफ्यूजन' (Set Diffusion) को प्रस्तुत करता है, जो भाषा मॉडलों का एक नया वर्ग है जो मौजूदा ऑटोरिग्रेसिव (autoregressive) और ब्लॉक डिफ्यूजन दृष्टिकोणों की तुलना में तेज़ इन्फरेंस और बेहतर गति-गुणवत्ता ट्रेडऑफ़ प्राप्त करने के लिए KV कैश सपोर्ट के साथ लचीले, मनमाने क्रम वाले टोकन सेट जनरेशन को जोड़ता है।

मूल लेखक: Marianne Arriola, Volodymyr Kuleshov

प्रकाशित 2026-07-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Marianne Arriola, Volodymyr Kuleshov

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ "सेट डिफ्यूजन" (Set Diffusion) पेपर का सरल भाषा और रचनात्मक उपमाओं (analogies) के साथ विवरण दिया गया है।

बड़ी तस्वीर: "क्रम" (Order) की समस्या

कल्पना कीजिए कि आप एक कहानी लिखने या गणित की समस्या हल करने की कोशिश कर रहे हैं। इसे करने के दो मुख्य तरीके हैं:

कठोर लेखक (Autoregression): आप एक समय में एक शब्द लिखते हैं, सख्ती से बाएँ से दाएँ। आप अंत लिखने से पहले शुरुआत खत्म नहीं कर सकते। यह बहुत उच्च गुणवत्ता वाला और सटीक है, लेकिन यह धीमा है क्योंकि आप एक साथ दो काम नहीं कर सकते।
अराजक कलाकार (Standard Diffusion): आप एक पन्ने को ढेर सारे शोर (gibberish/noise) से शुरू करते हैं और उसे एक साथ ठीक करने की कोशिश करते हैं। आप एक साथ कई शब्दों का अनुमान लगा सकते हैं, जो तेज़ है, लेकिन कहानी को तार्किक रखना कठिन होता है। साथ ही, आप आसानी से यह "याद" नहीं रख सकते कि आपने पहले क्या लिखा था ताकि अगले भाग को लिखने में मदद मिल सके, इसलिए आपको हर बार बदलाव करने के लिए पूरा पन्ना फिर से पढ़ना पड़ता है।

समस्या: इन दोनों को मिलाने के प्रयास (जिसे "ब्लॉक डिफ्यूजन" कहा जाता है) कठोर टुकड़ों में लिखने जैसे थे। आप एक शब्द के बजाय एक वाक्य के समय लिख सकते थे, लेकिन फिर भी आपको अगले भाग पर जाने से पहले उस पूरे ब्लॉक को समाप्त करना पड़ता था। यदि आप कहानी के बीच में किसी शब्द को सुधारना चाहते थे, तो आपको पूरे ब्लॉक के खत्म होने का इंतज़ार करना पड़ता था।

समाधान: सेट डिफ्यूजन (Set Diffusion)

लेखक सेट डिफ्यूजन पेश करते हैं। इसे एक लाइन में लिखने के बजाय, लचीले टुकड़ों के साथ एक पहेली (puzzle) भरने के रूप में सोचें।

शब्दों को एक-एक करके लिखने (बहुत धीमा) या ब्लॉक-दर-ब्लॉक लिखने (बहुत कठोर) के बजाय, सेट डिफ्यूजन आपको एक विशिष्ट नियमों के समूह का पालन करते हुए, शब्दों के किसी भी समूह को चुनने और उन्हें जनरेट करने की अनुमति देता है।

"स्लाइडिंग विंडो" (Sliding Window) की उपमा

कल्पना कीजिए कि आप एक लंबी दीवार पर भित्ति चित्र (mural) पेंट कर रहे हैं।

पुराना तरीका (Block Diffusion): आप 4 फीट का एक हिस्सा पेंट करते हैं, उसे पूरी तरह सूखने का इंतज़ार करते हैं, और फिर अगले 4 फीट के हिस्से पर जाते हैं। आप पूरे ब्लॉक के पूरा होने तक पहले हिस्से को दोबारा छू नहीं सकते।
नया तरीका (Set Diffusion): आपके पास पेंट का एक "स्लाइडिंग विंडो" है। आप पहले 4 फीट पेंट कर सकते हैं, लेकिन फिर आप अपनी विंडो को आगे खिसका सकते हैं और 5वें, 6वें और 7वें फीट के साथ-साथ 2रे, 3रे और 4थे फीट को भी एक साथ पेंट कर सकते हैं। आप विंडो के किनारे को पेंट करते समय बीच में किसी जगह को ठीक करने के लिए पीछे भी कूद सकते हैं।

मुख्य विशेषताओं का सरल स्पष्टीकरण

1. लचीले "टोकन सेट" (पहेली के टुकड़े)
इस मॉडल में, एक "टोकन" केवल एक शब्द या कोड का हिस्सा है।

नवाचार: मॉडल केवल अगले शब्द का अनुमान नहीं लगाता। यह शब्दों के एक सेट (समूह) का अनुमान लगाता है।
जादू: आप मॉडल को बता सकते हैं, "अगले 3 शब्द गेस करो," या "स्थिति 5 और स्थिति 10 पर शब्द गेस करो।" यह अलग-अलग आकार के समूहों और अलग-अलग क्रमों को संभाल सकता है। यह इसे तेज़ बनाता है (एक साथ कई चीज़ों का अनुमान लगाना) लेकिन स्मार्ट भी रखता है (क्रम का ध्यान रखना)।

2. "मेमोरी बैंक" (KV Caching)
AI में, "KV कैशिंग" एक रफ नोटपैड की तरह है जहाँ मॉडल उस संदर्भ (context) को लिख देता है जो उसने पहले ही जनरेट कर लिया है, ताकि उसे हर बार पुनर्गणना न करनी पड़े।

पुरानी समस्या: स्टैंडर्ड डिफ्यूजन में, मॉडल को हर बार अनुमान लगाने के लिए पूरे टेक्स्ट को फिर से पढ़ना पड़ता था। यह मुख्य पात्र का नाम याद रखने के लिए पूरी किताब पढ़ने जैसा था।
नया समाधान: सेट डिफ्यूजन हर एक स्टेप के बाद अपने "रफ नोटपैड" को अपडेट करता है। जैसे ही यह शब्दों का एक सेट गेस करता है, यह उन्हें मेमोरी में सहेज लेता है। यह इसे अविश्वसनीय रूप से तेज़ बनाता है, जो 'कठोर लेखक' की तरह सटीक और 'अराजक कलाकार' की तरह तेज़ है।

3. "स्लाइडिंग विंडो" रणनीति
पेपर एक विशिष्ट तरीका पेश करता है जिससे यह तय किया जाता है कि अगले कौन से शब्द गेस किए जाएँ, जिसे स्लाइडिंग-विंडो दृष्टिकोण कहा जाता है।

एक स्टेज पर चलती हुई स्पॉटलाइट की कल्पना करें। स्पॉटलाइट एक अभिनेता को कवर कर सकती है, या यह एक साथ तीन अभिनेताओं को कवर कर सकती है।
मॉडल इस स्पॉटलाइट का उपयोग यह तय करने के लिए करता है: "मैं अभी इस स्पॉटलाइट के अंदर के शब्दों को जनरेट करूँगा।"
स्पॉटलाइट के आकार को बदलकर, आप गति (बड़ी स्पॉटलाइट, कई शब्दों का अनुमान लगाना) और सटीकता (छोटी स्पॉटलाइट, कम शब्दों का अनुमान लगाकर अधिक सावधानी बरतना) के बीच संतुलन को नियंत्रित कर सकते हैं।

उन्होंने क्या सिद्ध किया?

लेखकों ने तीन मुख्य कार्यों पर इस नए तरीके का परीक्षण किया:

गणितीय तर्क (Math Reasoning): गणित की समस्याओं को हल करना (जैसे GSM8K डेटासेट)।
सारांश (Summarization): लंबे लेखों को संक्षिप्त सारांश में बदलना।
इन्फिलिंग (Infilling): कहानी के छूटे हुए हिस्सों को भरना (जैसे "मैड लिब्स" गेम)।

परिणाम:

गति बनाम गुणवत्ता: सेट डिफ्यूजन ने वह "स्वीट स्पॉट" (आदर्श संतुलन) खोज लिया जो पिछले मॉडल्स चूक गए थे। यह कठोर ब्लॉक मॉडल्स से तेज़ था और अराजक डिफ्यूजन मॉडल्स की तुलना में अधिक सटीक था।
इन्फिलिंग: यह पिछले "ब्लॉक डिफ्यूजन" तरीके की तुलना में कहानी के छूटे हुए हिस्सों को भरने में काफी बेहतर था।
लचीलापन: यह किसी भी लंबाई और किसी भी क्रम में टेक्स्ट जनरेट कर सकता है, जो दस्तावेज़ को एडिट करने या फ़ाइल के बीच में कोड को ठीक करने जैसे कार्यों के लिए महत्वपूर्ण है।

सारांश रूपक (Summary Metaphor)

यदि ऑटोरिग्रेसन (Autoregression) एक रिले रेस है (एक धावक बारी-बारी से अगला धावक बनता है, सख्ती से क्रम में), और स्टैंडर्ड डिफ्यूजन एक सबकी अपनी मर्जी (free-for-all) है (हर कोई एक साथ दौड़ता है, लेकिन यह अराजक है), तो सेट डिफ्यूजन एक सुव्यवस्थित डांस ट्रूप (नर्तक दल) है।

नर्तक (टोकन) समूहों (सेट्स) में चल सकते हैं। वे बाएँ-से-दाएँ चल सकते हैं, या वे अंतराल भरने के लिए इधर-उधर कूद सकते हैं, लेकिन वे हमेशा जानते हैं कि उनके बगल में कौन है और उनके पिछले कदम क्या थे, क्योंकि उनके पास एक साझा मेमोरी (KV कैश) है। यह उन्हें रिले टीम की तुलना में अधिक तेज़ और फ्री-फॉर-ऑल की तुलना में अधिक लचीले ढंग से जटिल रूटीन (गणित, कहानियाँ) करने की अनुमति देता है।

तकनीकी सारांश: सेट डिफ्यूजन (Set Diffusion)

समस्या विवरण (Problem Statement)

डिस्क्रीट डिफ्यूजन मॉडल (Discrete diffusion models), ऑटोरेग्रेसिव (AR) लैंग्वेज मॉडल्स के एक प्रतिस्पर्धी विकल्प के रूप में उभरे हैं, जो तेज़ जनरेशन स्पीड और बेहतर नियंत्रण क्षमता प्रदान करते हैं। हालाँकि, मौजूदा डिफ्यूजन दृष्टिकोणों में महत्वपूर्ण सीमाएँ हैं:

निश्चित-लंबाई और द्विदिश बाधाएँ (Fixed-Length and Bidirectional Constraints): अधिकांश डिस्क्रीट डिफ्यूजन मॉडल ऐसे आर्किटेक्चर पर निर्भर करते हैं जिन्हें पूर्ण द्विदलीय संदर्भ (bidirectional context) की आवश्यकता होती है, जो की-वैल्यू (KV) कैशिंग के उपयोग को रोकता है और जनरेशन को निश्चित लंबाई तक सीमित करता है।
ब्लॉक डिफ्यूजन की कठोरता (Rigidity of Block Diffusion): जबकि ब्लॉक डिफ्यूजन (BD3LM) बाएं-से-दाएं निश्चित आकार के अनुक्रमिक ब्लॉक्स को जनरेट करके इस अंतर को आंशिक रूप से पाटता है, यह लचीलेपन की कमी से ग्रस्त है। यह मनमाने-स्थान अंतःस्थापन (arbitrary-position insertions/infilling) या एक ब्लॉक के भीतर परिवर्तनशील-लंबाई जनरेशन का समर्थन नहीं कर सकता है, और KV कैश अपडेट पूरे ब्लॉक के डिकोड होने तक विलंबित रहते हैं।
ट्रेड-ऑफ सीमाएँ (Trade-off Limitations): वर्तमान विधियाँ मुख्य रूप से एक निश्चित ब्लॉक आकार को बदलकर ऑटोरेग्रेसिव और डिफ्यूजन के बीच मध्यस्थता करती हैं, जो डिकोडिंग लचीलेपन और पैरेललिज्म को प्रतिबंधित करती है।

मुख्य चुनौती एक ऐसा लैंग्वेज मॉडल विकसित करना है जो केवल ब्लॉक आकार द्वारा नहीं, बल्कि टोकन सेट के जनरेशन के क्रम (order) को बदलकर ऑटोरेगलेशन और डिफ्यूजन के बीच मध्यस्थता करे, जिससे लचीली-लंबाई जनरेशन, KV कैशिंग और मनमाने-क्रम डिकोडिंग को सक्षम बनाया जा सके और उच्च सैंपल क्वालिटी बनी रहे।

कार्यप्रणाली (Methodology)

लेखक सेट डिफ्यूजन (Set Diffusion) पेश करते हैं, जो एक ऐसा फ्रेमवर्क है जो फिक्स्ड ब्लॉक्स के बजाय लचीले-स्थान, लचीले-लंबाई वाले टोकन सेट्स पर जनरेशन प्रक्रिया को फैक्टराइज़ (factorize) करता है।

1. संभाव्यता मॉडल (Probabilistic Model)

सेट डिफ्यूजन टोकन सेट्स $\sigma = (\sigma_1, \dots, \sigma_N)$ के एक अनुक्रम पर एक ऑटोरेग्रेसिव संभाव्यता वितरण को परिभाषित करता है, जहाँ प्रत्येक $\sigma_n$ टोकन पोजीशन का एक उपसमूह (subset) है। संभावना (Likelihood) को इस प्रकार फैक्टराइज़ किया गया है:
$p_\theta(x) = \sum_{\sigma} \prod_{n=1}^N \pi(\sigma_n | x_{<\sigma_n}) \cdot p_\theta(x_{\sigma_n} | x_{<\sigma_n})$
यहाँ, $\pi$ एक 'ऑर्डर पॉलिसी' है जो अगले सेट ऑफ पोजीशन्स को चुनती है, और $p_\theta$ डिफ्यूजन का उपयोग करके उस सेट के टोकन्स की कंडीशनल लाइक्लीहुड को मॉडल करता है। मॉडल एक नेगेटिव एविडेंस लोअर बाउंड (NELBO) को ऑप्टिमाइज़ करता है जो इन सेट्स पर डिफ्यूजन लॉस को जोड़ता है।

2. सेट-कॉज़ल आर्किटेक्चर और KV कैशिंग (Set-Causal Architecture and KV Caching)

एक प्रमुख आर्किटेक्चरल नवाचार सेट-कॉज़ल ट्रांसफार्मर (set-causal transformer) है। मानक द्विदिश (bidirectional) डिफ्यूजन मॉडल्स के विपरीत, यह आर्किटेक्चर प्रत्येक इन्फरेंस स्टेप के बाद KV कैशिंग का समर्थन करता है।

तंत्र (Mechanism): जब एक टोकन सेट $x_{\sigma_n}$ जनरेट किया जाता है, तो उसके की (key) और वैल्यू (value) वेक्टर्स को कैश किया जाता है और बाद के प्रेडिक्शन को कंडीशन करने के लिए पुन: उपयोग किया जाता है।
प्रशिक्षण दक्षता (Training Efficiency): लेखक एक वेक्टरकृत प्रशिक्षण एल्गोरिदम का प्रस्ताव करते हैं जो एक विशेष अटेंशन मास्क का उपयोग करके सिंगल फॉरवर्ड पास में क्लीन कॉन्टेक्स्ट और नॉइज़ी क्वेरीज़ को एक साथ प्रोसेस करता है। यह मास्क सुनिश्चित करता है कि एक सेट के नॉइजी टोकन केवल उसी सेट के अन्य नॉइजी टोकन्स और पिछले सेट्स के सभी क्लीन टोकन्स पर ही अटेंड (attend) करें।

3. टोकन ऑर्डरिंग का इंटरपोलेशन (Interpolating Token Orderings)

सैंपल क्वालिटी (बाउंड की टाइटनेस) और इन्फरेंस दक्षता (पैरेललिज्म) के बीच ट्रेड-ऑफ को नियंत्रित करने के लिए, लेखक पोजीशन-डिपेंडेंट रिवील-टाइम शेड्यूल्स (position-dependent reveal-time schedules) पेश करते हैं।

पोजीशन-ऑफसेट शेड्यूल्स (Position-Offset Schedules): प्रत्येक टोकन पोजीशन $\ell$ को एक रैंडम रिवील टाइम $R_\ell$ असाइन किया जाता है, जो एक संचयी वितरण फलन (CDF) $\alpha^\ell_\tau$ द्वारा परिभाषित वितरण से लिया जाता है।
स्लाइडिंग-विंडो इंस्टेंशिएशन (SW-SetDLM): लेखक एक विशिष्ट इंस्टेंशिएशन प्रस्तावित करते हैं जहाँ टोकन का एक सक्रिय जनरेशन अंतराल $[a_\ell, a_\ell + w]$ $[a_{ℓ}, a_{ℓ} + w]$ होता है। विंडो साइज $w$ $w$ "बाएं-से-दाएं" बायस को नियंत्रित करता है:
- छोटा $w$ (जो $1/L$ के करीब है) क्रम को बाएं-से-दाएं जनरेशन पर केंद्रित करता है, जिससे AR व्यवहार प्राप्त होता है और ELBO टाइट हो जाता है।
- बड़ा $w$ (जो 1 के करीब है) ऑर्डर-एग्नोस्टिक जनरेशन की अनुमति देता है, जिससे स्टैंडर्ड मास्क्ड डिफ्यूजन प्राप्त होता है।
- मध्यवर्ती मान स्लाइडिंग-विंडो डिकोडिंग को सक्षम करते हैं, जिससे मॉडल मनमाने स्थानों में लचीली-लंबाई वाले टोकन सेट्स को प्रेडिक्ट कर सकता है, जो इन्फिलिंग (infilling) जैसे कार्यों का समर्थन करता है।

4. इन्फरेंस (Inference)

इन्फरेंस के दौरान, मॉडल वर्तमान ऑर्डरिंग टाइम और पोजीशन-ऑफसेट शेड्यूल के आधार पर कैंडिडेट पोजीशन्स को सैंपल करता है। फिर यह KV कैश का उपयोग करके इन पोजीशन्स को समानांतर (parallel) रूप से डिनोइज़ (denoise) करता है। स्वीकृत टोकन्स को कमिट कर दिया जाता है, और कैश को तुरंत अपडेट किया जाता है, जिससे परिवर्तनशील-लंबाई जनरेशन और कुशल डिकोडिंग संभव होती है।

मुख्य योगदान (Key Contributions)

सेट डिफ्यूजन फ्रेमवर्क: एक नए प्रकार के लैंग्वेज मॉडल्स का वर्ग जो ऑटोरेग्रेसिव, ऑर्डर-एग्नोस्टिक डिफ्यूजन और ब्लॉक डिफ्यूजन को सामान्यीकृत (generalize) करता है, जो लचीले-स्थान और लचीले-लंबाई वाले टोकन सेट्स पर जनरेशन को फैक्टराइज़ करता है।
सेट-कॉज़ल आर्किटेक्चर: एक ट्रांसफार्मर आर्किटेक्चर जो प्रत्येक इन्फरेंस स्टेप के बाद KV कैश अपडेट को सपोर्ट करता है, जिससे कुशल परिवर्तनशील-लंबाई जनरेशन सक्षम होता है।
ऑर्डर इंटरपोलेशन: पोजीशन-डिपेंडेंट ऑर्डरिंग शेड्यूल्स (विशेष रूप से स्लाइडिंग-विंडो शेड्यूल्स) को ट्यून करके AR और डिफ्यूजन के बीच इंटरपोलेशन करने का एक सिद्धांत आधारित तरीका।
स्टेट-ऑफ-द-आर्ट प्रदर्शन: यह प्रदर्शन करना कि सेट डिफ्यूजन गणितीय तर्क (mathematical reasoning), समराइजेशन और अनकंडीशनल जनरेशन में ब्लॉक डिफ्यूजन की तुलना में बेहतर स्पीड-क्वालिटी ट्रेड-ऑफ हासिल करता है, और इन्फिलिंग कार्यों में पूर्ववर्ती डिफ्यूजन मॉडल्स को काफी पीछे छोड़ देता है।

प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने कई बेंचमार्क्स पर सेट डिफ्यूजन (विशेष रूप से SW-SetDLM) का मूल्यांकन किया:

गणितीय तर्क (GSM8K): सेट डिफ्यूजन, ब्लॉक डिफ्यूजन की तुलना में बेहतर स्पीड-एक्यूरेसी पारेटो फ्रंटियर (Pareto frontier) प्राप्त करता है। उदाहरण के लिए, डिकोडिंग विंडो साइज $S \le 8$ के साथ, यह $\ge 60.42$ टोकन्स/सेकंड के थ्रूपुट के साथ 66.41% pass@1 एक्यूरेसी प्राप्त करता है, जो ब्लॉक डिफ्यूजन ( $S=8$ ) से बेहतर है जो $\ge 55.39$ टोकन्स/सेकंड पर 63.53% एक्यूरेसी प्राप्त करता है।
इन्फिलिंग (ROCStories): सेट डिफ्यूजन इन्फिलिंग कार्यों (1 या 3 बीच के वाक्यों को भरने) में ब्लॉक डिफ्यूजन से काफी बेहतर प्रदर्शन करता है, जो ~25% तक तेज़ डिकोडिंग के साथ उच्च ROUGE स्कोर प्राप्त करता है। ब्लॉक डिफ्यूजन अपने कठोर बाएं-से-दाएं ब्लॉक स्ट्रक्चर के कारण यहाँ संघर्ष करता है।
समराइजेशन (CNN/DailyMail): सेट डिफ्यूजन डिफ्यूजन बेसलाइन्स की तुलना में प्रतिस्पर्धी ROUGE स्कोर प्राप्त करता है और ब्लॉक डिफ्यूजन की तुलना में 10% तक तेज़ डिकोडिंग प्रदान करता है। यह एक AR बेसलाइन से भी बेहतर है, जिसे लेखकों ने इस डेटासेट पर ओवरफिट होने वाला बताया है।
अनकंडीशनल जनरेशन और लाइक्लीहुड: OpenWebText और LM1B पर, सेट डिफ्यूजन ब्लॉक डिफ्यूजन की तुलना में बेहतर MAUVE स्कोर के साथ तेज़ डिकोडिंग करता है। LM1B पर, यह पूर्ववर्ती डिफ्यूजन मॉडल्स की तुलना में उच्च थ्रूपुट बनाए रखते हुए सर्वश्रेष्ठ परप्लेक्सिटी (27.83 PPL के लिए $S \le 8$ ) प्राप्त करता है।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि सेट डिफ्यूजन एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है क्योंकि यह ऑटोरेग्रेसिव और डिफ्यूजन के बीच इंटरपोलेशन को कठोर ब्लॉक स्ट्रक्चर से अलग (decouple) कर देता है। टोकन ऑर्डरिंग के माध्यम से इंटरपोलेट करके, यह फ्रेमवर्क निम्नलिखित प्रदान करता है:

अधिक लचीलापन: मनमाने-स्थान अंतःस्थापन और परिवर्तनशील-लंबाई जनरेशन का समर्थन, जो इन्फिलिंग जैसे कार्यों के लिए महत्वपूर्ण है।
दक्षता: प्रत्येक स्टेप के बाद KV कैश को अपडेट करने की क्षमता, जो पहले डिफ्यूजन मॉडल्स में उपलब्ध नहीं थी, जिससे तेज़ इन्फरेंस संभव होता है।
प्रदर्शन: मौजूदा डिफ्यूजन लैंग्वेज मॉडल्स की तुलना में बेहतर सैंपल क्वालिटी और इन्फरेंस स्पीड का ट्रेड-ऑफ।

लेखक सेट डिफ्यूजन को एक एकीकृत फ्रेमवर्क के रूप में देखते हैं जो AR, ऑर्डर-एग्नोस्टिक डिफ्यूजन और ब्लॉक डिफ्यूजन को विशेष मामलों के रूप में रिकवर करता है, जिससे इन्फरेंस कार्य की विशिष्ट आवश्यकताओं के आधार पर पैरेललिज्म और सैंपल क्वालिटी को संतुलित करने के लिए एक ट्यूनेबल तंत्र मिलता है।