可扩展的Gromov-Wasserstein学习用于图分割和匹配
该研究考虑如何计算结构化对象间的距离，并提出了一种新的用于概率分布度量的运输距离——Fused Gromov-Wasserstein（FGW），成功在图分类任务中超越了传统方法，对于图的聚类问题也起到了积极的作用。
May, 2018
本文介绍了一种利用最优传输方法在超图上传播软标签的半监督学习算法，并通过 Wasserstein barycenters 技术泛化到超图。基于算法稳定性，通过2-Wasserstein距离传播在图和超图上传播一维分布并提供广义误差界限。
Sep, 2018
该论文提出一种基于Gromov-Wasserstein方法的图对齐及嵌入学习框架，通过学习最优传输距离完成图的对齐，以及标记距离来引导嵌入向量的学习，并通过结构正则化减小Gromov-Wasserstein距离，使用近端点法求解这个优化问题。该方法在现实网络中的匹配问题上具有卓越的性能表现。
Jan, 2019
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
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
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
该研究从不同的角度研究了图的加粗技术，并提出了一种保持图距离的方法，该方法使用 Gromov-Wasserstein（GW）距离，并采用加权核 K-means 方法最小化两个图的距离及其加粗版本之间的差异，以此来改进现有的谱保存方法。研究还包括一组实验，支持理论和方法，包括利用谱信息对图进行分类和回归。
Jun, 2023
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
通过提出一种基于正则化Gromov-Wasserstein问题的加速近端梯度下降算法，我们解决了图切割问题，并实现了稀疏解，相较于经典谱聚类算法，额外的复杂度仅为O(log(n))，但效率更高。
Feb, 2024