本文研究了切片瓦瑟斯坦距离在不同方面的可扩展性，包括实证收敛性、数据污染下的鲁棒性、以及高效的计算方法，并提出了用于切片瓦瑟斯坦距离常数维度的快速率。同时，本文研究了蒙特卡洛估计器和局部优化算法等方面，验证了理论研究结果。

Oct, 2022

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

该论文介绍了一种新的方法，使用少量参数化正交投影来近似分解高维分布的一维边际分布，以便于在生成式框架中实现深度学习。研究表明，该方法在标准图像综合基准和高分辨率图像和视频生成方面表现出优越性和最先进性。

Apr, 2019

本研究介绍了基于深度学习的一种小批量近似方法，用于在自动编码器和生成式对抗网络等现代生成模型中实现切片 Wasserstein 距离，以便在无监督情况下实现高分辨率图像和视频的生成，表现为当代最佳水平。

Jun, 2017

本论文介绍了一种用于比较球形概率测度的高速、高度并行化的距离度量方法 ——Stereographic Spherical Sliced Wasserstein (S3W) 距离，并通过广泛的理论分析和数值研究评估了该距离与最近基准方法在速度和准确性方面的表现。

Feb, 2024

本文提出了一种名为增广矢量切片距离（ASWDs）的新的距离度量方式，通过将样本映射到由神经网络参数化的高维超曲面上，使得它们能够捕获数据分布的复杂结构，实验结果表明，ASWD 在合成和实际问题上均明显优于其他 Wasserstein 变体。

Jun, 2020

在这份研究论文中，我们探讨了在已知非欧几里德几何特性的数据上，机器学习方法在黎曼流形上的应用以及最优输运方法在该领域的研究。我们提出了在卡尔曼 - 哈达玛德流形上的分片瓦砾斯坦距离，该方法在欧几里德空间上具有闭合解，并且我们还探索了该方法在其他几何空间的应用，以及近似计算其瓦砾斯坦梯度流的非参数方案。

Mar, 2024

本研究研究生成式对抗网络（GAN）和变分自编码器在分布建模方面的应用，着重研究了可靠性和效率，提出了一种新的距离度量方法：最大切片 Wasserstein 距离，能够更有效地提高 GAN 的训练效果。

Apr, 2019

使用广义 Radon 变换定义了一类新的概率测度距离，称为广义 sliced-Wasserstein (GSW) 距离，并给出 GSW 和 max-GSW 距离是否为距离的条件；并在几个生成建模任务中比较了所提出距离的数值性能。

Feb, 2019

本文提出了一种新的测量两个概率分布距离的方法 -- 分层切片 Wasserstein 距离（HSW）, 通过研究这种方法的理论性质以及在一些数据集上的比较，我们发现 HSW 在计算代价和生成质量上优于传统的 Sliced Wasserstein 距离。

Sep, 2022