本文介绍了基于 Wasserstein 变分推断的一种新的近似贝叶斯推断方法，该方法使用了包括 f - 分布和 Wasserstein 距离在内的一种新的差异度量方式，通过 Sinkhorn 迭代，该技术可以获得非常稳定的无似然训练方法，并且可以用于隐式分布和概率编程，同时应用于多种自编码器实验中，对其鲁棒性和性能进行了测试。

May, 2018

本文介绍了一种新的视角，旨在通过切片 Wasserstein 距离和核方法提供一系列正定核，并展示了这些核在机器学习中的不同任务中带来的益处，从而为优化传输距离在机器学习中的应用提供了新的可能。

Nov, 2015

本文提供了通过切片 Wasserstein 距离的算法来求解高斯混合模型参数的新方法，并且与该算法相比，传统的期望极大化算法无论是从随机初始值还是数据分布的准确性方面都更加鲁棒。

Nov, 2017

本文针对最优输送（Optimal transport）理论的计算和统计问题，提出了一种新的基于树度量的方法：树切片 Wasserstein 距离。通过使用随机树评估度量，该方法可以在低或高维空间中自适应地计算 Wasserstein 距离的平均值，并通过正定核与其他基线进行比较。

Feb, 2019

本文研究了切片瓦瑟斯坦距离在不同方面的可扩展性，包括实证收敛性、数据污染下的鲁棒性、以及高效的计算方法，并提出了用于切片瓦瑟斯坦距离常数维度的快速率。同时，本文研究了蒙特卡洛估计器和局部优化算法等方面，验证了理论研究结果。

Oct, 2022

本文介绍了切片 Wasserstein 距离的一种新变体，并研究了在 Wasserstein 距离的蒙特卡罗估计中使用正交耦合的方法，并与分层抽样建立了联系，并在生成建模和强化学习的大规模实验中进行了性能评估。

Mar, 2019

提出一种新的基于 Gromov-Wasserstein 距离的分歧方法，称为 Sliced Gromov-Wasserstein，它可以通过分片方法处理大规模分布，并在实验中证明了其与 GW 相比处理能力更强但计算速度更快。

May, 2019

通过研究 Gaussian smoothed sliced Wasserstein distance 及其广义版本的理论性质，探讨了其在采样复杂度和连续性方面的特点，并在隐私保护领域适应的背景下进行了实证研究。

Apr, 2024

通过找到一种优化非线性映射，将数据降维到一维后计算 Wasserstein 距离，本文提供了 KMS p-Wasserstein 距离的尖锐有限样本保证，并给出了计算 KMS 2-Wasserstein 距离的难度和仿真实验的表现。

May, 2024

本文介绍了变分推断和 Wasserstein 梯度流之间的联系，通过将 Bures-Wasserstein 梯度流转化为欧几里德梯度流，并使用路径导数梯度估计器生成梯度场，同时提供了一种新的梯度估计方法适用于 $f$-divergences 的拓展。

Oct, 2023