University of Cambridge（剑桥大学）

DiffRatio: Training One-Step Diffusion Models Without Teacher Supervision

DiffRatio: 无需教师监督训练一步扩散模型

Wenlin Chen, Mingtian Zhang, Jiajun He, Zijing Ou, José Miguel Hernández-Lobato, Bernhard Schölkopf, David Barber

机构 * Bosch (China) Investment Ltd.（博世（中国）投资有限公司） ； University of Cambridge（剑桥大学） ； Imperial College London（伦敦帝国理工学院） ； Max Planck Institute for Intelligent Systems, Tübingen（智能系统马克斯·普朗克研究所，图宾根） 纠错

AI总结 DiffRatio通过直接估计分数差来训练一步扩散模型，减少梯度偏差并提升生成质量，同时提高计算效率。

Comments 22 pages, 8 figures, 5 tables, 2 algorithms

Beyond GEMM-Centric NPUs: Enabling Efficient Diffusion LLM Sampling

超越以GEMM为中心的NPUs：使高效的扩散LLM采样成为可能

Binglei Lou, Haoran Wu, Yao Lai, Jiayi Nie, Can Xiao, Xuan Guo, Rika Antonova, Robert Mullins, Aaron Zhao

机构 * Imperial College London（伦敦帝国学院） ； University of Edinburgh（爱丁堡大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 本文提出了一种针对扩散LLM采样的NPU架构优化方案，通过轻量级向量原语、内存重用策略和混合精度内存层次结构，实现了2.53倍的加速性能。

An Empirical Investigation of Neural ODEs and Symbolic Regression for Dynamical Systems

神经微分方程与符号回归在动力系统中的实证研究

Panayiotis Ioannou, Pietro Liò, Pietro Cicuta

机构 * Department of Physics University of Cambridge（剑桥大学物理系） 纠错

AI总结 该研究通过实证比较神经微分方程与符号回归在动态系统建模中的表现，发现NODEs能有效外推并增强数据，SR能从噪声数据中恢复方程，为科学发现提供了新方法。

Comments Accepted at the Machine Learning and the Physical Sciences Workshop, NeurIPS 2025