研究提出了PreferDiff优化目标，解决扩散模型在个性化推荐中的不足。通过最小化变分上界和使用余弦误差，提高推荐效果和收敛速度，展现出优越的性能。

本文介绍了神经传播模型 (NDMs)，是传统传播模型的泛化，可以定义和学习数据的时间相关的非线性转换。使用变分上界来优化 NDMs，导出了 NDMs 的时间连续形式，可以使用现成的数值 ODE 和 SDE 求解器进行快速可靠的推断。在标准图像生成基准测试上的实验中，展示了可学习转换的 NDMs 的实用性，优于传统传播模型。