本研究提出了一种基于全局序列级别的指导和最优传输的解决方案来提高序列到序列模型的性能并捕捉长程语义结构，经实验证明该方法在多种 NLP 任务中能够实现一致的改进。

Jan, 2019

通过最优传输理论，提出一种新的神经主题模型来更好地实现文档表示和一致 / 多样化的主题，特别地，通过最小化文档的 OT 距离来学习文档的主题分布，实验证明该模型在常规和短文本的文本分析中表现显著优于现有的神经主题模型。

Aug, 2020

本研究旨在找出好的词汇，并确定在不需要试验训练的情况下，是否可以找到最优词汇。我们提出了一种新的信息理论视角解释词汇的作用，并将词汇化的目标 —— 找到大小适当的最佳词汇字典 —— 表述为一种最优搬运（OT）问题。我们提出了一个名为 VOLT 的简单高效的解决方案，实证结果表明，在涵盖 WMT-14 英德和 TED 的 52 个翻译方向等各种情况下，VOLT 的表现优于广泛使用的词汇集，例如，在英德翻译中，VOLT 实现了近 70% 的词汇量减少和 0.5 BLEU 增益。此外，与 BPE-search 相比，VOLT 将英德翻译的搜索时间从 384 GPU 小时减少到 30 GPU 小时。

Dec, 2020

该研究提出了一种基于 Optimal Transport 的非学习型文本摘要方法 ——Optimal Transport Extractive Summariser (OTExtSum)，通过最小化摘要的语义覆盖成本来选择原始文档中最重要的句子，实验证明该方法在 ROUGE 度量方面优于其他最先进的非学习型方法和多个最近的学习型方法。

Apr, 2022

本文提出一个非线性广义离散最优传输模型，可应用于领域自适应和自然语言处理中，同时探索其快速算法和相关属性。Illustrative experiments 展示了模型引导的结构耦合的好处。

Dec, 2017

该研究论文首次通过量子计算形式化实现了上下文化交通计划的自动化优化，从而实现了基于剂量的细胞分布的变异性预测。

Feb, 2024

学习度量到度量映射是机器学习中的一项关键任务，而神经最优输运方法（Neural OT）结合了神经网络模型和最优输运理论，将最优输运作为归纳偏置，并通过实验表明其在单细胞生物学中具有实用性。

Oct, 2023

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

基于视觉 - 语言预训练的模型 (VLP) 展示了在处理图像和文本方面的令人印象深刻的能力，然而它们容易受到多模态对抗样本的攻击。本研究通过探索数据增强和图像 - 文本模态交互之间的最佳对齐问题，提出了一种基于最优输运理论的对抗性攻击方法，命名为 OT-Attack，以有效地对抗过拟合问题，并在图像 - 文本匹配任务中的各种网络架构和数据集中进行的广泛实验显示，OT-Attack 在对抗性可迁移性方面优于现有的最先进方法。

Dec, 2023

使用 CondOT，一种多任务学习方法，结合上下文变量和部分输入凸的神经网络，可以在给定单细胞的基因或治疗干预效果的情况下，推断出其任意组合的效果。

Jun, 2022