本文研究了 Sinkhorn 距离在有限样本下的样本复杂度，得出了其与 Optimal transport 和 Maximum Mean Discrepancies 的关系，并给出了使用正则项的 Optimal transport 的最优解的 Sobolev 可重载核空间内的上界和 Sinkhorn 距离的样本复杂度的第一个上界。

Oct, 2018

本文介绍了一种使用最优输送损失的可行计算方法，通过熵平滑和自动微分来减少计算负担、提高稳定性和平滑性，获得鲁棒和可微分的最优输送损失的逼近，从而训练大规模生成模型并补充标准深度网络生成模型的计算机架构。

Jun, 2017

本文提出了一种基于标准 Sinkhorn 更新和紧缩函数的交替迭代算法，以实现不平衡输运的熵正则化，同时证明其在所有情况下的线性收敛性，并在此基础上定义了满足几何公理的伪距离，即不平衡 Sinkhorn 散度，为正测度全空间提供了一种支持不平衡输运的新方法。

Oct, 2019

本文提出使用低秩近似的 ground costs 方法来提高 Sinkhorn divergences 计算效率，并将该方法应用于训练 OT-GAN 模型。

Jun, 2020

本文提出了一种新的最优传输距离家族，从最大熵的角度看待运输问题。在传统最优传输问题上加入熵正则化项，通过 Sinkhorn-Knopp 的矩阵缩放算法计算新的距离，显著提高了性能。

Jun, 2013

本文构建了最大均值差异（MMD）的 Wasserstein 梯度流并研究了其收敛性质，提出了一个基于梯度注入噪声的方法进行正则化，并给出了其理论和实证证据。该流的实现很简单，因为 MMD 及其梯度均具有简单的封闭形式表达式，可通过样本轻松估计。

Jun, 2019

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

本研究提出使用 Sinkhorn 散度来估计平方 Wasserstein 距离，其允许更高的正则化水平，从而导致改进的计算复杂度界限和实际的强加速。

Jun, 2020

本文提出了一种新型的最优熵输运问题，解决了在一般拓扑空间的非负有限 Radon 测度类中的问题，其中，最小化线性输运功能和两个凸熵功能的和，并讨论了对数熵输运问题，介绍了一种度量空间中的新 Hellinger-Kantorovich 距离，该距离具有很强的几何分析能力。

Aug, 2015

本研究分析了逼近两个离散分布之间的一般最优运输（OT）距离的两种算法，并证明了复杂度界限，其中一种基于 Sinkhorn 算法，另一种基于 Adaptive Primal-Dual Accelerated Gradient Descent (APDAGD) 算法。与先前的最优界限相比，我们的算法具有更好的复杂度界限，更好地依赖于 ε，同时可用于各种正则项。

Feb, 2018