本文提出了一种新的衡量文本差异的度量方法：Word Mover's Distance，通过加入词汇权重和使用熵正则化方法，可以提高跨语言文档检索任务的效果并取得令人瞩目的改进，与多个基线相比表现提高幅度显著。

May, 2018

本文提出了一种基于任务特定决策边界和 Wasserstein 度量的领域自适应的特征分布对齐方法，即切片 Wasserstein 差异。实验表明该方法在数字和标志识别、图像分类、语义分割和目标检测上都具有有效性和普适性。

Mar, 2019

本文中提出了一种新的多重边际 Wasserstein GAN（MWGAN）来最小化域之间的 Wasserstein 距离，并利用多边际最优传输理论开发了一种新的对抗性目标函数以利用交叉域相关性，并在平衡和不平衡的翻译任务上进行了理论分析和实验证明了 MWGAN 的有效性。

Nov, 2019

本文提出了一种新的方法 ——Wasserstein Distance Guided Representation Learning (WDGRL)，其利用神经网络来估计源域和目标域之间的 Wasserstein 距离，并以对抗的方式来优化特征提取器网络，以最小化估计的 Wasserstein 距离，该方法在情感和图像分类自适应数据集上的实证研究表明其优于现有的领域不变表示学习方法。

Jul, 2017

本文介绍一种利用同配网络和解码器实现对 Wasserstein 距离进行逼近的方法，该方法可用于快速处理优化问题，如重心、主要方向或原型，在图像数据集上已经进行了实验。

Oct, 2017

通过学习相关可扩展的线性分配问题，我们提出了一种对数据进行对齐的方法，该方法在单细胞多组学和神经潜伏空间的数据集上取得了最先进的性能，并且在概念上和计算上非常简单。

Jun, 2024

该论文介绍了一种新的方法，使用少量参数化正交投影来近似分解高维分布的一维边际分布，以便于在生成式框架中实现深度学习。研究表明，该方法在标准图像综合基准和高分辨率图像和视频生成方面表现出优越性和最先进性。

Apr, 2019

本研究介绍了基于深度学习的一种小批量近似方法，用于在自动编码器和生成式对抗网络等现代生成模型中实现切片 Wasserstein 距离，以便在无监督情况下实现高分辨率图像和视频的生成，表现为当代最佳水平。

Jun, 2017

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

我们提出了一种基于优化输运的机器学习方法，该方法不仅提取不变特征，而且在提取特征时还限制了标签相似性，以实现跨多个领域的分类。实验结果表明，该方法优于大部分基线方法，各组件的消融研究也证明了方法的有效性。

Jul, 2020