提出了一个可扩展的 Gromov-Wasserstein 学习（S-GWL）方法，用于大规模图分析，通过学习多个观察到的图的 Gromov-Wasserstein 重心图来实现多图分区和匹配，并将其统一到同一框架中，从而在准确性和效率之间取得了平衡。

May, 2019

对于机器学习中的许多应用而言，图的成对比较是关键，涉及到聚类、基于核的分类 / 回归和最近监督图预测等。图之间的距离通常依赖于这些结构化对象的有效表示，例如子结构的集合或其他图嵌入。本研究引入了一种用于比较具有节点和边特征的图的 Gromov-Wasserstein 距离的扩展，提出了距离和重心计算的新算法，并在分类和图预测等图出现在输入空间或输出空间时的学习任务中经验证明了新距离的有效性。

Sep, 2023

该研究通过使用热核在 Gromov-Wasserstein 的框架上实现了新的多尺度图比较，提出了一种通过最优输运来解决 k-cut 图分割问题的新方法，比当前最先进的 GWL 技术在真实世界网络上表现更佳。

Jun, 2020

无监督图对齐通过仅利用图结构和节点特征确定带属性图的一对一节点对应关系。我们提出一种名为 CombAlign 的模型框架，将计算节点表示并匹配近似嵌入的方法与确定最优传输的 Gromov-Wasserstein 学习相结合，通过特征转换、基于嵌入的启发式方法和优化权重匹配的约束，逐步优化节点对齐，实验证明在对齐准确性上较现有方法显著改进。

Jun, 2024

本文将跨语言对应问题直接建模为最优传输问题，通过利用测度恢复算法所产生的词嵌入，使用 Gromov-Wasserstein 距离测量不同语言中单词对的相似度，并证明了该模型在无监督翻译任务中表现良好，效果与当前最先进技术相当。

Aug, 2018

本文提出了一种基于 Gromov-Wasserstein 距离的新型非线性因子分解模型，可用于关系图的聚类。

Nov, 2019

在本研究中，我们提出了一种新的基于图的优化传输的 “准瓦砂坊” 损失函数，应用于图神经网络中的节点级预测任务，从而消除节点嵌入和标签之间的非独立同分布性，并且改进了节点级分类和回归任务的性能。

Oct, 2023

提出了一种计算低维空间中两组点之间 Gromov-Wasserstein 问题的框架，通过将 Quadratic Assignment Problem (QAP) 重新表述为低维域的优化问题来解决计算复杂度的挑战。该方法适用于具有成千上万个点的大规模问题，可用于找到全局解，并在合成问题和计算生物学中的一个感兴趣的问题上与最先进的方法进行比较。

Jul, 2023

本文探讨使用 Gromov-Wasserstein 距离进行图像比较时所涉及的质量损失和计算效率问题，并提出了一种新的模糊 Gromov-Wasserstein 距离，以提高计算效率和准确度，同时在图形字典学习和分区学习等多个领域实现了优异表现。

Oct, 2021

本研究提出了针对图学习的 Wasserstein Embedding 方法，并应用不同的机器学习模型来进行图预测任务，利用节点嵌入分布的相似度来定义图之间的相似性，并用 Wasserstein 距离度量两者之间的差异，不同于现有方法，避免了两两计算不同的图之间的距离，将计算复杂度从二次线性降至一次线性，并证明了该方法在各项基准图属性预测任务中具有优秀的分类表现及计算效率。

Jun, 2020