本研究提出DiffExp策略，解决文本到图像扩散模型在奖励微调中因在线样本生成导致的慢收敛问题。通过动态调整引导规模和随机加权文本提示，显著提升样本生成效率和多样性，从而提高模型性能。

本研究提出AFed框架，旨在解决联邦学习中的公平性问题，尤其是在缺乏集中数据的情况下。通过AFed-G和AFed-GAN方法生成样本，实验结果表明AFed显著提升了模型的公平性表现。

本研究提出了一种自我优化扩散采样器（SRDS），旨在解决扩散模型在样本生成中的速度与质量权衡问题。SRDS利用Parareal算法保持样本质量，并通过并行计算提高生成速度，实验表明生成速度可提高至4.3倍。

本研究提出了一种局部曲率平滑方法，解决了基于评分的扩散模型训练中的计算负担，特别是雅可比迹的计算问题。该方法显著提升了样本生成性能，尤其在高分辨率图像生成方面表现突出。

本研究提出了一种灵活的算法，用于重建自然树木的分支结构，模拟不同形状的毕达哥拉斯树。通过深度卷积神经网络进行树木分类，发现这些分形树的参数支持达芬奇的分支规则和黄金比例，为树种检测器的训练提供了有效的样本生成方法。

该研究聚焦于光滑强凸目标分布的Langevin扩散，提出了一种基于此的MCMC算法，并证明其时间复杂度优于过阻尼Langevin MCMC。此外，研究探讨了Langevin动力学在多模态分布中的样本生成能力，提出了改进方法以增强模式寻找特性，并进行了理论分析和数值实验验证。

本文介绍了一种名为RGDM的模型，通过强化学习优化扩散模型的训练，提升样本生成质量。研究表明，该模型在3D形状和分子生成任务中优于现有方法，并提出了一种新算法，结合生成模型与优化方法，解决了奖励模型的过度优化问题，展示了在生物分子设计等领域的广泛应用潜力。

本研究探讨在无通信情况下生成相同概率分布样本的问题。通过Weighted MinHash算法和Gumbel抽样，提出了一种草稿不变的推测解码方法，以确保在固定随机种子下输出一致。

本文探讨生成对抗网络（GAN）的成功因素，提出“生成潜在优化”框架及多种新算法，以提升样本生成的效率和质量。研究内容包括稳健投影技术、轻量级库Mimicry、解缠表示方法和MobileStyleGAN结构，旨在优化GAN在边缘设备上的应用和训练效果。

本文提出了一种对抗性自动混合增强方法AdAutomixup，通过交替优化分类器和混合样本生成器，生成具有挑战性的样本以训练强大的图像分类器。实验结果表明，该方法在多种分类场景中优于现有技术。

本研究提出了一种轨迹感知主要流形框架，旨在恢复流形骨干并生成样本。通过内在维度正则化，该框架实现了紧凑的流形表示和少样本图像生成。实验结果表明，该方法在分类准确性和样本生成方面表现优越，尤其在复杂文本描述下的动作生成任务中。

本研究提出了名为NCL的新框架，用于聚类性能的新类别发现任务。该框架通过生成难以区分的样本，显著提高了聚类准确性，超过现有方法。