本研究提出通过推断优先的视角来提升生成预训练算法的效率，解决生成模型中的算法创新停滞问题。改进扩散模型的推断过程，开发出稳定的单阶段算法，样本质量超越现有方法，并显著提升推断效率。

本研究提出了一种改进的高级颜色传递算法（ACP），有效检测对称性，提升推断效率，显著减少在线查询时间，并通过实验验证其效果。

YONOS-SR是一种新型的图像超分辨率方法，基于扩散技术，通过尺度蒸馏训练模型，仅需一次DDIM步骤即可实现优越效果，推断效率高于传统的200步方法。

本研究提出了一种自条件嵌入扩散模型，能够灵活生成基于令牌的文本。评估结果表明，该模型生成的样本与自回归模型相当，但推断效率更高，为文本扩散模型的扩展奠定了基础。

本论文研究了对广泛使用的马尔科夫决策过程（MDPs）进行局部处理的实验。提出了一种利用局部结构提高推断效率的方差减少技术，有效地克服了传统处理方法的方差下限，并与局部处理结构相匹配。估计器能够在测试次数的大部分方差上实现线性减少，并且在控制组完全知识的情况下进一步提高推断效率。

本研究提出了ActiveHARNet，一种支持设备上增量学习和推理的深度集成模型。实验证明ActiveHARNet在推断效率和数据采集减少率方面都有显著提升，证明了其可行性。

本研究提出了ActiveHARNet，一种支持设备上增量学习和推理的深度集成模型。实验证明ActiveHARNet在推断效率和数据采集减少率方面都有显著提升，证明了其可行性。