本短篇论文着重回顾了优化输运相关理论（Optimal transport theory）及其在数据科学中的应用，重点在于阐述其针对分类、回归、密度拟合等机器学习等领域的优势，介绍了它的数值方法，并介绍了一些学术性质。

Mar, 2018

该论文讨论了 Optimal Transport 在不同空间中的运用，尤其是研究了如何在图形和结构化数据之间定义和应用 Optimal Transport，特别是在这些数据属于不可比较空间时如何完成适应操作。该文提出了一组 Optimal Transport 工具，其中包括对 Gromov-Wasserstein 距离的研究，其性质可以定义不同空间中的有趣运输问题。我们分析了各种工具的数学性质，建立了计算它们的算法解决方案，并研究了它在许多机器学习场景中的适用性，其中包括分类和简化、结构数据分区以及异构域适应。

Nov, 2020

本文介绍了最优传输方面的数值方法，旨在解决在图形和机器学习中遇到的三角形网格、图形、点云等定义在几何域上的难以高效解决的大规模线性规划，通过使用离散优化、凸分析等为数值最优传输问题提供理论可证明的模型，并讨论了其中的一些问题。

Jan, 2018

本研究综述了 Optimal Transport 在机器学习中的应用，特别关注于监督、无监督、迁移和强化学习领域，并重点介绍了计算 Optimal Transport 的最新发展及其与机器学习实践的相互作用。

Jun, 2023

本文介绍了一种计算两个测度之间 L2 最优传输图的数值算法，其中一个测度源自由分段线性函数（由四面体网格支持）定义的密度 rho，而另一个测度则是 Dirac 质量之和。作者提出了一个实用的算法来计算分段线性密度与 Dirac 质量总和之间的最优传输图。

Sep, 2014

该论文提出了一种基于图顶点的概率分布最优传输方法，它不仅满足三角不等式，而且具有更好的可扩展性和与连续传输理论的联系，同时提供了一个适用于该方法的时间离散化方法并验证了其有效性。

Mar, 2016

提出一种新的随机优化算法来应对机器学习中遇到的大规模问题，该方法利用任意分布的样本来避免将密度值离散化，并提供了可证明收敛的方法，输出正确的距离。

May, 2016

该论文提出了一种在潜在的全局转换情况下进行离散最优传输的通用框架，并通过采用灵活类的不变性来选择转换进行联合最优化求解，成功解决了包括无监督词汇翻译基准在内的各种任务。

Jun, 2018

本文提出一个非线性广义离散最优传输模型，可应用于领域自适应和自然语言处理中，同时探索其快速算法和相关属性。Illustrative experiments 展示了模型引导的结构耦合的好处。

Dec, 2017

该论文提出了一种通过噪声数据推断未知成本的方法，利用了前向最优传输问题和随机数生成方法作为基础，探讨了其在国际迁移流问题上的应用和不确定性量化。

May, 2019