利用具有对称不变层的神经网络生成 Euclidean 距离矩阵，并使用其构建了一个 Wasserstein GAN，可以一次性生成具有三维嵌入的分子结构。

Oct, 2019

本文提出了敏感于异常值的加权有向网络示度着距离度量 —— 网络 Gromov-Wasserstein 距离，通过基于最优输运的网络不变量近似该距离的下界，并分别在多个模拟网络数据集和全球双边迁移数据集上进行了测试。

Aug, 2018

提出了一种新的基于最优输运的距离度量方法，称为增强型 Gromov-Wasserstein，在保持对几何变换的某种程度刚度的同时，结合特征对齐，以更好地利用输入数据的先验知识，用于单细胞多组学对齐任务和机器学习中的迁移学习场景。

Jul, 2023

论文提供了关于在 Wasserstein 损失下仅使用样本空间的测度性质和概率分布的弱矩假设，对于概率分布的估计的统计极小值率上下界的研究。

Feb, 2018

本文旨在建立流形学习算法在紧凸子集上绝对连续概率测度空间中的理论基础，其中测度空间以 Wasserstein-2 距离 W 度量。我们首先介绍了概率测度子流形 Λ 的一种自然构造，配备了度量 Wλ，这是 W 对 Λ 的测地距离限制。与其他构造形成对比，这些子流形不一定是平坦的，但仍然允许类似于 Riemann 流形的局部线性化。然后，我们展示了如何仅通过 Λ 的样本集合和外在 Wasserstein 距离 W 来学习（Λ，Wλ）的潜在流形结构。特别地，我们展示了度量空间（Λ，Wλ）可以从具有节点 Λ 样本集合和边权重 W (λi, λj) 的图中，按照 Gromov-Wasserstein 的意义上逐渐恢复。此外，我们通过对从 λ 到足够接近和不同的样本 Λ 集合中，使用最优输运映射的合适 “协方差算符” 的谱分析，展示了如何渐近地恢复样本 λ 处的切空间。本文最后给出了一些关于子流形 Λ 的具体构造以及通过谱分析恢复切空间的数值例子。

Nov, 2023

本文主要研究排列不变性在机器学习中的应用，特别关注在多变量概率分布中如何统计性地检测排列不变性，以及排列不变性在简化维度估计中的作用，并针对此提出了测试方法和回归方法。

Mar, 2024

本文研究了一种称为 Wasserstein space 的新型嵌入方法，它在嵌入数据时不受限于欧几里得空间假设，可以更好地捕捉数据的潜在语义结构，同时对于更广泛的度量结构也具有更大的灵活性，并演示了其在词嵌入方面的应用。

May, 2019

本文提出了一个基于 Wasserstein 距离的多标签学习损失函数，基于概率度量体提供了一种自然的概念。该算法可以有效鼓励模型在输出空间中使用所选度量的平滑性，并用 Yahoo Flickr Creative Commons 数据集上的标签预测问题验证了性能。

Jun, 2015

本文介绍了 Wasserstein 距离作为概率分布度量的数学概念，以及其在统计学中的重要应用，包括了弱收敛、矩收敛、概率分布扰动等内容。

Jun, 2018

该研究以欧几里得空间的 Wasserstein 空间（具有二次成本）为内在度量空间，计算其等距群。在直线的情况下，存在一种 “异态” 的等距流，这与高维度的欧几里得空间的情况形成对比。研究了这些空间的曲率和各种秩。

Apr, 2008