不完全データは、数値、カテゴリカル、離散属性が共存する実世界の表形式データにおいて一般的です。このような異質な構造は、従来の拡散ベースの補完モデルにとって大きな課題を提示します。これらのモデルは通常、均質な特徴空間を仮定し、確率的デノイジング軌道に依存していますが、これが条件的一貫性を維持することを困難にし、情報が失われる原因となります。本研究では、混合型データの補完のために、異質な特徴を二つの補完的な生成チャネルに分けるハイブリッド決定論的拡散フレームワークを提案します。数値変数用の連続DDIMベースのチャネルと、カテゴリカル変数用の離散潜在パス拡散チャネルを使用し、統一された条件付き補完目的の下で訓練します。実験結果は、このフレームワークがより高い補完精度と安定性を達成することを示しました。このアプローチは、不完全な表形式データにおける深層学習の進展に重要です。