学习用于最优输运的代价函数
提出了一种名为SPOT（Scalable Push-forward of Optimal Transport）的基于隐式生成学习的方法来解决“最优传输”（Optimal Transport，OT）中的可扩展性问题，该方法通过引入参考分布而近似最优传输计划，并将其转化为极小极大问题。实验结果表明SPOT系统具有可靠性和较好的收敛性，并允许从最优传输计划中高效采样，从而有利于领域适应等下游应用。
May, 2019
本文提出了一种新的、原则性的方法来从样本中学习两个分布之间的最优传输，学习方法基于最优传输理论并涉及解决一个新的极小极大优化问题，通过最优Kantorovich势量级诱导最优传输映射，借鉴最近在输入凸型神经网络领域的进展，提出了一个新的框架，其中一个凸函数的梯度表示最优传输映射。数值实验表明，我们学习到了最优传输映射，这一方法确保我们发现的传输映射独立于神经网络的初始化方式。而且，由于凸函数的梯度自然地模拟了不连续的传输映射，因此可以轻松捕捉具有不连续支持的目标分布。
Aug, 2019
本研究提出了一个新的正则化解释角度，即将正则化视为一种鲁棒性机制，展示了任何凸正则化的OT都可以被解释为接受对手--地面成本的方式。这同时可以在地面空间上提供鲁棒的不相似性度量方法，并提出了相应的算法和实验性说明了这种方法的优越性。
Feb, 2020
本文研究了神经网络在最优传输问题中的应用。通过使用输入凸性神经网络来构建连续测量的对，该对的基本真实的最优传输映射可以通过分析获得。然后使用这些基准测量来评估现有的最优传输求解器，研究发现现有的最优传输求解器精度存在局限性，提高最优传输的准确性不一定能带来更好的效果。
Jun, 2021
该研究介绍了一种基于神经网络的算法，用于计算强和弱输运成本的最优输运图和计划，并证明了神经网络是概率分布之间传输计划的通用逼近器。通过在玩具示例和非成对图像翻译上评估我们的最优输运算法的性能。
Jan, 2022
本文介绍了一种基于神经网络的新算法，用于计算一般的成本功能的最优输运方案和映射，该算法通过鞍点重构最优输运问题并推广到先前在弱和强输运成本功能中的方法，最终构建了一个可保存数据类别结构的数据分布映射功能。
May, 2022
研究了一种基于流的方法来解决优化运输问题，该方法可通过神经普通可微方程迭代地减少运输成本，同时自动维护边际约束，相对于已有的方法，该方法针对特定运输成本函数且内部减少可行耦合来减少运输成本，是一种单目标变体。
Sep, 2022
本文提出了一种基于推向前映射和学习适当代价结构的方法，通过使用 Monge-Bregman-Occam 管线，使用 $h$-变换和 $h$-凹潜力生成适应结构化代价的基本真实传输，并提出一种学习低维空间中传输位移的正则化方法，通过 Riemannian 梯度下降对 Stiefel 流形进行基础变化，从而得到更加稳健和易于解释的估计量。
Jun, 2023
利用一类神经背景成本函数的蒙热映射已知形式，我们构建了一个可微分的蒙热映射估计器，其可以根据已知信息优化，从而适应于特定问题的最优输运映射和相应背景成本函数的学习。该方法通过合适的损失函数，提供了一种利用关于蒙热映射本身的先前信息来学习适应于最优输运映射和背景成本函数的通用方法。
Jun, 2024