تستخدم العديد من الطرق الحالية لتكوين البيانات القائمة على التقدير الشرطي نظرية بايز لتحليل مشتقات كثافة الاحتمال اللاحق اللوغاريتمية إلى مزيج من التقديرات. وتُسهِّل هذه الطرق إجراء تدريب نماذج التقدير الشرطي، حيث يمكن تقدير مزيج التقديرات بشكل منفصل باستخدام نموذج تقدير وفِلْتر تصنيف. ومع ذلك، تشير تحليلاتنا إلى أن أهداف التدريب الخاصة بالفِلْتر في هذه الطرق قد تؤدي إلى مشكلة خطيرة في عدم التوافق بين التقديرات، وهي الحالة التي ينحرف فيها التقدير المُقدَّر عن التقدير الحقيقي. وتكمن هذه المشكلة في أن العينات تُضلَّلَّ أثناء عملية التفتيت (diffusion) بسبب التقديرات المنحرفة، مما يؤدي إلى تدهور جودة العينات الناتجة. ولحل هذه المشكلة، نُقدِّم هدفًا تدريبيًا جديدًا يُسمَّى "مُعدَّل التوافق التقديرِي للاستدلال التفتيتي" (Denoising Likelihood Score Matching - DLSM)، لتمكين الفِلْتر من مطابقة مشتقات كثافة الاحتمال اللوغاريتمية الحقيقية. وتشير الأدلة التجريبية إلى أن الطريقة المقترحة تتفوَّق بشكل ملحوظ على الطرق السابقة في معايير التقييم الرئيسية على مجموعتي بيانات CIFAR-10 وCIFAR-100. وبالتالي، نستنتج أن استخدام DLSM يُمكِّن من نمذجة التقديرات الشرطية بدقة، ويُخفِّف من تأثير مشكلة عدم التوافق في التقديرات.