在概率密度空间中，我们将 Wasserstein 测地线扩展到更高阶的插值，如三次样条插值。我们提出了一种基于路径空间上变分问题简化松弛的方法，并探索了两种不同的数值方法，一种基于多重边际最优运输和熵正则化，另一种基于半离散最优运输。

Jan, 2018

通过水平曲线空间内连续均值的 B 样条逼近和插值，我们提出了一种处理粒子轨迹推断问题的方法，可以在一定精度和光滑度下自动处理时间上的分裂情况，并通过对模拟细胞数据进行测试，在推断轨迹方面表现出卓越性能，并突出了尊重数据固有几何特性的插值和逼近的优势。

May, 2024

本文介绍并讨论了通过最优输运的框架，从欧几里得空间中的点扩展到概率测度中的样条曲线，以此解决（经验）概率测度平滑插值的问题。

Jan, 2018

在这项研究中，我们探讨了在概率空间上定义的 Sobolev 平滑函数的数值逼近的挑战性问题。我们采用三种基于机器学习的方法，通过求解有限个最优传输问题和计算相应的 Wasserstein 潜势，使用 Wasserstein Sobolev 空间中的经验风险最小化和 Tikhonov 正则化，以及通过表征 Tikhonov 泛函的 Euler-Lagrange 方程的弱形式来解决这个问题。作为理论贡献，我们对每种解决方法的泛化误差提供了明确且定量的界限。在数值实现中，我们利用适当设计的神经网络作为基函数，经过多种方法的训练，使我们能够在训练后快速评估逼近函数。因此，我们的构造性解决方案在相同准确性下显著提高了评估速度，超过了现有方法数个数量级。

Oct, 2023

本文介绍利用 Wasserstein 距离和最优输运理论分析数据集中随机概率测度（如多重直方图或点云）的最新统计学贡献，并重点介绍在 Wasserstein 空间中使用重心和测地线 PCA 的好处，用于学习数据集中几何变化的主要模式。同时，本文讨论了与统计优化输运相关的一些研究方向。

Jul, 2019

本文提出两种算法来计算一组经验概率测度的 Wasserstein barycenters，其中包括使用 entropic 正则化来平滑 Wasserstein distance 的方法，并使用矩阵缩放算法计算其梯度，这些算法可用于可视化大量图像并解决约束聚类问题。

Oct, 2013

该论文研究了一种通过优化传输映射将概率测度集嵌入希尔伯特空间的方法，并证明了当参考概率密度在一个凸集上均匀分布时，该嵌入具有 (bi-) H"older 连续性，同时可等价解释为对于优化传输映射的维度无关的 H"older 稳定性结果。这一方法使得一般的监督学习和无监督学习算法可以直接应用于测度数据上。

Oct, 2019

本文探讨了在概率测度空间 P（X）中，使用最优传输（Wasserstein）几何将被限制为该度量下的测地线段的曲线，以高效地总结该系列测度。我们展示了在最优传输几何中，重要概念可以通过使用 Wasserstein 平均值和微分几何，找到自然的等效物。然而，应用这些想法是具有挑战性的。为了处理数千个测度和实现可扩放的算法，我们建议使用放松的测地线定义和正则化的最优传输距离。本文的方法在将图像视为形状或颜色直方图方面具有重要意义。

Jun, 2015

本文研究了 Wasserstein 空间中随机概率测度的重心。利用对偶论证方法，我们对具有紧支撑随机概率测度的各种参数类别的人口重心进行了精确的描述。特别地，我们将 Agueh 和 Carlier（2011）中引入的水斯坦空间中的平均和固定参考测度相对于最优传输映射的期望联系起来。我们还讨论了这种方法在信号和图像处理的可变形模型分析中的有用性。 在这种情况下，我们也考虑从 n 个独立且同分布的随机概率测度中估计人口重心的问题。

Dec, 2012

本文介绍了一种新的内点法，该方法充分利用了问题的特殊矩阵结构，以降低迭代复杂度和加速牛顿过程，并在各种分布条件下进行了数值比较，展示了该方法的计算优势。此外，我们还在包括 MNIST 和 Fashion-MNIST 在内的图像基准测试问题上演示了我们算法的实用性。

May, 2019