Vectorización de productos tensoriales de Python a Matlab

Estoy en el proceso de convertir algunos códigos de Python a Matlab. Tengo códigos que funcionan y producen los mismos resultados, pero me pregunto si hay una forma de vectorizar algunos de mis bucles for en el código de Matlab, ya que tarda mucho en ejecutarse. X es una matriz Nxd, diff es un tensor NxNxd, kxy es una matriz NxN, gradK es un tensor NxNx2, y sumkxy, dxkxy y obj son todas matrices Nxd.

Aquí está el código original en Python:

python
diff = x[:, None, :] – x[None, :, :] # D_{ij, s}
kxy = np.exp(-np.sum(diff ** 2, axis=-1) / (2 * h ** 2)) / np.power(np.pi * 2.0 * h * h, d / 2) # -1 last dimension K_{ij]
gradK = -diff * kxy[:, :, None] / h ** 2 # N * N * 2
sumkxy = np.sum(kxy, axis=1)
dxkxy = np.sum(gradK, axis=1) # N * 2 sum_{i} d_i K_{ij, s}
obj = np.sum(gradK / sumkxy[None, :, None], axis=1) # N * 2

y aquí está mi código en Matlab inicial con todos los bucles for:

diff = zeros([n,n,d]);
for i = 1:n
    for j = 1:n
        for k = 1:d
            diff(i,j,k) = x(i,k) - x(j,k);
        end
    end
end

kxy = exp(-sum(dif.^2, 3)/(2h^2))/((2pih^2)^(d/2));
sumkxy = sum(kxy,2);
gradK = zeros([n,n,d]);
for i = 1:n
    for j = 1:n
        for k = 1:d
            gradK(i,j,k) = -diff(i,j,k)kxy(i, j)/h^2;
        end
    end
end

dxkxy = squeeze(sum(gradK,2));
a = zeros([n,n,d]);
for i =1:n
    for j = 1:n
        for k = 1:d
            a(i,j,k) = gradK(i,j,k)/sumkxy(i);
        end
    end
end
obj = squeeze(sum(a, 2));

Sé que una forma más rápida de calcular el término kxy es usar el siguiente código:

XY = x*x';
x2= sum(x.^2, 2);
X2e = repmat(x2, 1, n);

H = (X2e + X2e' - 2XY); % calculate pairwise distance
Kxy = exp(-H/(2h^2))/((2pih*h)^(d/2));

Pero luego tengo dificultades para calcular gradK eficientemente sin diff. ¡Cualquier ayuda o sugerencia sería muy apreciada!