本文利用基于投影健壮性的最优输运（OT）距离作为损失函数来研究参数推断，基于多维维度的视角建立了多个基本统计属性，提出了平均最优输运（IPRW）距离，并给出了复杂性界限和渐进保证。最后，在模型错误说明下给出了最小 PRW 估计量的两种渐进保证，并为具有投影维数大于 1 的 PRW 设计了新颖的变分分析和统计理论的组合。

Jun, 2020

本文介绍了一种新的视角，旨在通过切片 Wasserstein 距离和核方法提供一系列正定核，并展示了这些核在机器学习中的不同任务中带来的益处，从而为优化传输距离在机器学习中的应用提供了新的可能。

Nov, 2015

在这项研究中，我们探讨了在概率空间上定义的 Sobolev 平滑函数的数值逼近的挑战性问题。我们采用三种基于机器学习的方法，通过求解有限个最优传输问题和计算相应的 Wasserstein 潜势，使用 Wasserstein Sobolev 空间中的经验风险最小化和 Tikhonov 正则化，以及通过表征 Tikhonov 泛函的 Euler-Lagrange 方程的弱形式来解决这个问题。作为理论贡献，我们对每种解决方法的泛化误差提供了明确且定量的界限。在数值实现中，我们利用适当设计的神经网络作为基函数，经过多种方法的训练，使我们能够在训练后快速评估逼近函数。因此，我们的构造性解决方案在相同准确性下显著提高了评估速度，超过了现有方法数个数量级。

Oct, 2023

该研究提出了一种基于熵正则化、近似 Sinkhorn 缩放和高斯核矩阵低秩逼近的算法，用于计算两个点云或离散分布之间的二次输运度量（也称为 2-Wasserstein 距离或均方根距离），其复杂度为 O (n)。

Oct, 2018

本文提出两种算法来计算一组经验概率测度的 Wasserstein barycenters，其中包括使用 entropic 正则化来平滑 Wasserstein distance 的方法，并使用矩阵缩放算法计算其梯度，这些算法可用于可视化大量图像并解决约束聚类问题。

Oct, 2013

应用最优输运及熵正则化计算 Wasserstein 距离中的 Sinkhorn 近似算法的梯度，可以提高学习和优化问题的效率，同时通过高阶平滑性，也可以提供统计保证。

May, 2018

本文针对高维离散量之间的 Wasserstein 距离提出了具有鲁棒性的 “Max-Min” 方案，通过将量投影到一个较低维的子空间来最大化它们之间的距离。此外，我们提出了一种基于熵正则化的算法来解决相关问题，并在实验中显示了其优越性。

Jan, 2019

用于计算生物学、计算成像和深度学习中不平衡最优传输问题的不平衡最优传输问题 (UOT) 发挥越来越重要的作用。通过使用缩放算法，我们开发了一种不完全 Bregman 近似点方法来解决 UOT, 从而提供了对 UOT 解决方案的逼近。

Feb, 2024

本文探讨了同时具有非凸性和非光滑性的 Wasserstein 投影寻优问题，提出了基于 Riemannian 优化算法的三个简单且具有复杂性保证的算法，分别在合成数据和实际数据上进行了广泛的实验，证明了其在 PRW 距离计算中的优越性。

Jun, 2020

本文对最优传输距离的使用进行了探索，指出在大规模数据集上计算这些距离的方法是通过平均几个较小的最优传输问题的结果。我们论证了这种方法等效于原问题的隐式正则化，并具有无偏估计，梯度和期望值周围的集中度约束等吸引人的属性。同时我们还开展了梯度流、GAN 或颜色转换等经验实验，以突出这种策略的实际价值。

Oct, 2019