本文提出了一种新的框架来有效地对复杂概率分布进行抽样，使用最优传输映射和 Metropolis-Hastings 规则相结合，通过连续传输将典型的 Metropolis 提议机制转换为非高斯提议分布，从而更有效地探索目标密度，并在众多参数推断问题中表现出数量级的速度优势。

Dec, 2014

本文提出一种可有效计算高维数据分布之间优化映射的估计器，使用 Sinkhorn 算法计算最优熵方案的重心投影，兼具计算效率高和统计性能较好的优势。

Sep, 2021

本文提出了一个新颖的两步方法来解决基本问题，即从一个分布学习到另一个分布的最优映射，首先我们学习一个最优传输（OT）方案，其次我们估计 Monge 映射作为一个深度神经网络，演示了我们的建议方法在域适应和生成建模方面的应用。

Nov, 2017

本研究提出一种迭代方法来高效地解决一类严格凸代价函数的最优运输问题，该方法包括二次和 p 次幂代价函数。我们针对两个定义在离散网格上的概率分布，使用 O (n) 的存储空间和 O (n log (n)) 的操作量计算最优映射，具有近似指数收敛速度。该方法能够在几分钟内解决空间网格大小达到 4096x4096 和 384x384x384 的最优运输问题。

May, 2019

通过构建可决定的耦合（即传输图）来进行测量传输的基本原理，从而能够在质量复杂的概率分布中生成任意多且无权重的样本。该研究探讨了在仅可用非标准化目标密度评估或仅通过有限样本集合而已知目标分布的情况下，如何构建传输。该方法可直接应用于贝叶斯计算和基于随机模拟的广泛问题中。

Feb, 2016

通过利用目标分布的得分，我们构造了一个新的输运映射，并将其特征化为一个无限维的得分残差算子的零点，并推导出了一种迭代构造这种零点的牛顿型方法。

May, 2023

研究采用局部优化运输计划的理论进行解决图像处理的问题。得到所有局部最优输运计划都与移动呈共轭关系的结论，并验证了局部最优输运计划的费用是以移动参数的凸函数。提出了一种算法可以近似优化费用，当所有质量是 1/M 的整数倍时，该算法可以在 O (NlogM) 操作中实现准确解决方案。

Feb, 2009

研究了 $d>2$ 离散测度的最优输运问题，提出了有熵正则化项的线性规划方案，并引入了 Sinkhorn 扩展算法，并给出了严格凸函数部分最小化算法的变形，得到其收敛速度的几何估计。

May, 2020

该论文研究了一种通过优化传输映射将概率测度集嵌入希尔伯特空间的方法，并证明了当参考概率密度在一个凸集上均匀分布时，该嵌入具有 (bi-) H"older 连续性，同时可等价解释为对于优化传输映射的维度无关的 H"older 稳定性结果。这一方法使得一般的监督学习和无监督学习算法可以直接应用于测度数据上。

Oct, 2019

研究正则化问题的对偶问题，提出了用高斯 - 塞德尔方法和半光滑拟牛顿方法解决的方案，实验证明这两种方法在小正则化参数下表现良好。

Mar, 2019