我们提出了一种新的算法 APDAMD 来解决原子最优输运问题，并证明了算法的复杂度界限与加速变种的 Sinkhorn 算法和 Greenkhorn 算法，在实践中均具有较高的效率。

Jun, 2019

我们提供两种算法的理论分析，这两种算法可以解决两个离散概率测度之间的规则化最优输运问题，我们证明了一种名为绿角（Greenkhorn）算法的贪心版本可以改进到 O˜（n²ε ^-2），这种算法可以在实践中击败 Sinkhorn 算法，基于这个理论我们提出了新的算法。

Jan, 2019

本研究提出了一种基于 Nesterov 的平滑技术的新算法，通过近似 Log-Sum-Exp 函数来平滑 Kantorovich 势的非平滑 c-transform，并将此平滑后的 Kantorovich 泛函应用于快速的 FISTA 算法以提高计算效率和精确度。实验结果表明，该方法相较于 Sinkhorn 算法在相同参数下具有更快的收敛速度和更高的准确性。

Apr, 2021

本文研究了两个非平衡度量之间的部分最优输运（Partial Optimal Transport，POT）问题及其在颜色转移或领域适应等各种人工智能任务中的应用。我们首先通过理论和实验证明了现有的 Sinkhorn 算法在 POT 问题上的不可行性，进而提出了一种新的 POT 算法来解决这一问题，并且提供了几种近似 POT 问题的一阶方法，其中包括了近似解在 ε 范围内的 Adaptive Primal-Dual Accelerated Gradient Descent（APDAGD）算法以及具有最佳计算复杂度的 Dual Extrapolation 算法。同时，我们还展示了 POT 相比标准 OT 的灵活性以及我们算法在两个非平衡边缘分布的实际应用中的实用性。

Dec, 2023

本文提供了计算复杂度分析 Sinkhorn 算法，用于解决两个若干可能具有不同质量组分的测量之间的熵正则化不平衡最优运输问题，其复杂度为近线性时间，该算法与最优运输问题的复杂度相比要更优。

Feb, 2020

本论文研究基于熵罚函数的最优传输问题的随机算法，这些算法速度较快、实用，并且在数值实验中验证了它们相对于最优传输方法的优势。

Mar, 2018

本文研究了满足等式和不等式约束条件下的熵正则化的最优输运问题，并提出了一种基于 Sinkhorn 算法的对应解法。通过理论保证，我们首先得出在解决问题时通过熵正则化所带来的近似误差随着参数增加而指数级减小。此外，通过描述具有李雅普诺夫函数的优化过程，我们证明了 Sinkhorn 算法在对偶空间中具有亚线性一阶收敛速度。为了在弱熵正则化下实现快速、高阶收敛，我们通过动态正则化调度和二阶加速技术来改进 Sinkhorn 算法。总体而言，本文将熵最优输运的最近理论和数值进展与约束情况相结合，使从业者能够在复杂场景中得到近似的输运计划。

Mar, 2024

本文提出两种有效的对数线性时间逼近方法来计算熵正则化最优输运问题，并提出了一种结合图神经网络和增强 Sinkhorn 的图输运网络，并实验证明它在节点数量方面具有对数线性的规模，并在图距离回归方面优于以前的模型 48%。

Jul, 2021

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

本文研究了多项式最优运输（MOT）距离的近似复杂性，提出了两个新的确定性算法：多重边缘 Sinkhorn 算法和加速多重边缘 Sinkhorn 算法。通过实验，证明了这两种算法在计算效率和准确性上的优越性。

Sep, 2019