本研究将用户兴趣视为潜在空间中的随机过程，以应对会话推荐系统中的数据不确定性、流行度偏差和曝光偏差。实验结果表明，该方法有效减轻了这些偏差。

本文探讨了扩散模型中的曝光偏差问题，分析了其对模型输出的影响，并提出了一种名为Epsilon Scaling的方法来缓解这一问题。研究强调了训练数据与生成图像之间建立联系的重要性，并通过实验验证了该方法在不同扩散框架下的有效性，展示了扩散模型生成高质量图像的潜力。

本文研究了扩散模型的采样动力学，提出了一种新的采样理论框架，结合优化与均值偏移算法。通过分析扩散系数对样本质量的影响，提出了DDM模型和DPM-OT框架，显著提升了生成速度与质量。同时，探讨了曝光偏差问题及其解决方案，提出了Epsilon Scaling方法，并研究了扩散模型与热力学的关系，提供了生成数据的定量洞察。

本文研究了扩散模型中的曝光偏差问题，并提出了一种名为Epsilon Scaling的方法来缓解该问题。该方法通过缩小网络输出，使抽样轨迹接近训练阶段学习到的向量场，减轻了训练和抽样之间的输入不匹配。实验证明该方法在各种扩散框架和条件设置下都有效。