本文介绍了 OT-GNN 模型，该模型利用参数原型计算图嵌入，并通过参数原型和乘子做到了与传统的求和聚合不同的方法，通过几项分子属性预测任务的实验证明，此方法在图嵌入的平滑性和预测性能上超过了当前流行的其它方法。
Jun, 2020
该研究提出了一种使用 Optimal Transport map 直接在高维图片空间中进行生成建模的算法，并在图像恢复等任务上验证了其有效性。
Oct, 2021
本文研究了神经网络在最优传输问题中的应用。通过使用输入凸性神经网络来构建连续测量的对，该对的基本真实的最优传输映射可以通过分析获得。然后使用这些基准测量来评估现有的最优传输求解器，研究发现现有的最优传输求解器精度存在局限性，提高最优传输的准确性不一定能带来更好的效果。
Jun, 2021
本研究使用基于 Tree-Wasserstein 的新的差异来研究神经结构，并在高斯过程替代模型中演示了它，最后通过使用基于 GP 后验的质量 k - 行列式点过程导出了新的并行 NAS，证明了 TW-based 方法在顺序和并行 NAS 中优于其他基线。
该论文提出了一种新颖的端到端非极小算法，用于训练最优输运映射以逼近 Wasserstein-2 距离，并使用输入凸神经网络和循环一致性正则化来近似 Wasserstein-2 距离，解决了流行的熵和二次正则化中存在偏差和高维度缩放问题的不足，并在诸多任务上进行了实验评估。
Sep, 2019
提出了一种使用神经网络进行最优传输计算的算法 OT-Net，可以表示不连续映射，在图像生成、颜色转移、域适应等方面取得了良好的应用效果。
Jun, 2023
通过引入高斯平滑的方法，本文提出了一种新颖的高斯平滑最优输运（Gaussian-smoothed OT）框架，以在保持 1-Wasserstein 度量结构的同时消除了实证逼近的维数诅咒，并在实证研究中证实了其可行性和优越性，为信息科学领域中的最优输运理论和应用提供了新思路。
Jan, 2020
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
本文通过基于正则化最优传输的平滑 Wasserstein GAN 公式实现梯度信息的获取，从而实现对该目标函数的一阶优化，为一类生成对抗网络优化算法建立了理论收敛保证，且仅需要解决鉴别器问题以近似最优。该算法计算效率高，应用于 MNIST 数字以及 CIFAR-10 图像数据集相比其他同等架构和计算能力的算法生成的图像效果显著。
Feb, 2018
介绍了一种名为深度集合线性化最优输运的算法，用于将点云有效地嵌入到 L^2 空间中，并在构建一个分类器来区分不同类别的点云的同时，保留 Wasserstein 空间内特定的低维结构。通过使用输入凸神经网络 (ICNNs) 学习这些输运映射的近似，我们发现在特定条件下，从这些 ICNNs 中采样的欧氏距离与真实分布的 Wasserstein-2 距离非常接近。此外，我们训练了一个判别器网络，对这些样本进行加权，并创建一个排列不变的分类器，以区分不同类别的点云。通过在仅拥有有限标记点云的流式细胞术数据集上进行实验，展示了我们算法相对于标准的深度集合方法的优势。
Jan, 2024