本文提出并证明了 Sinkhorn Descent 方法，该方法基于无约束函数优化的思路，用于求解概率分布的重心，计算复杂度线性与维度有关，并成功求解了 100 维度的问题。

Jul, 2020

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

机器学习中的熵正则最优传输问题可以通过 Sinkhorn 算法进行求解，而该研究介绍了 Sinkhorn 算法的连续时间模拟以及其在噪声和偏差容忍性方面的改进，同时与机器学习和数学领域中其他动态方法提供了统一的视角。

Nov, 2023

本文通过随机算法来计算具有 Wasserstein 距离下的一组概率分布的重心，该方法不同于以往的方法，可以适用于连续输入分布，并允许在每个迭代中调整重心的支持，该算法能够恢复出一个锐利的输出，其支持集合包含在真实重心的支持集合内，并能在一些例子中恢复出比以前更有意义的重心。该方法具有广泛的适用性，可扩展到生成给定分布的超级样本和恢复蓝噪声近似等应用。

Feb, 2018

本文研究了具有内部和外部规则化强度的双重规则化 Wasserstein 质心的计算，提出了一种通过阻尼 Sinkhorn 迭代构建的算法，并且无论规则化参数的选择如何都可以保证收敛。使用近似蒙特卡洛抽样实现的我们算法的非精确变体，在自由支持 / 无网格设置下为离散点云之间的 Wasserstein 质心逼近提供了非渐近收敛保证。

Jul, 2023

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

通过将 Kullback-Leibler divergence 应用于 mirror map 和目标函数中，我们发现 Sinkhorn 算法是增量 / 随机镜像下降的一种特例。该发现使我们能够提出一种新方法，扩展了 Sinkhorn 算法超出两个约束。

Sep, 2019

本文介绍了一种新的计算 Sinkhorn 距离的方法，该方法结合了 Nyström 方法和 Sinkhorn Scaling，具有显著的计算效率，适用于海量数据。

Dec, 2018

本文研究优化输运中的熵正则化对 Wasserstein 度量和重心的影响，提出了一种去偏差的 Wasserstein 重心方法，能够在保持快速的 Sinkhorn 迭代的同时避免了熵平滑。理论上证明了单峰高斯函数的熵输运重心是高斯函数，并量化了其方差偏差。同时通过实验验证了该方法的优越性。

Jun, 2020

通过引入早停止和牛顿类型子程序，Sinkhorn-Newton-Sparse（SNS）算法提供了超指数收敛，并且在实际情况下收敛速度比 Sinkhorn 算法快几个数量级，包括离散密度的经验分布之间的最优输运和计算 Wasserstein W1，W2 距离。

Jan, 2024