本文提出了一种新颖的潜变量扩散规划（LDP）方法，旨在减少模仿学习对大量专家示范的依赖。该方法通过学习潜变量空间和训练规划器，利用无动作示范和次优数据，在模拟视觉机器人操作任务中显著超越现有模仿学习方法。

本研究提出了一种基于图扩散的解决方案生成方法（GDSG），旨在优化边缘计算（MEC）网络中的问题。GDSG通过利用次优数据进行分布学习，实现了高效的最优解搜索，实验结果表明其在优化和次优训练数据集上的表现优于其他方法，具有重要的实际应用潜力。