本文提出了一种针对离散最优输运问题的平滑凸正则化统一框架，并基于 Bregman 差异将正则化最优输运等效于矩阵相似问题，其中的算法包括基于 Sinkhorn-Knopp 以及 Dykstra 的交替投影算法，以及基于牛顿-拉夫逊法的扩展算法。此外，还将该框架应用到了机器学习和信息几何等领域，并通过实验进行了验证。

Oct, 2016

本研究借鉴正则化理论，提出算法，利用二阶Wasserstein距离和Lipschitz性质，通过解决优化问题来得到光滑的Brenier凸函数，实现了快速而准确的图像传输。

May, 2019

本文介绍一种基于原始对偶外推方法的平行一阶算法，通过计算最优传输（包括基于Wasserstein距离的计算）来解决机器学习和统计学中常见的问题，具有较强的实际应用价值，并实验验证了优异的性能。

Jun, 2019

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

本研究提出了一个新的正则化解释角度，即将正则化视为一种鲁棒性机制，展示了任何凸正则化的OT都可以被解释为接受对手--地面成本的方式。这同时可以在地面空间上提供鲁棒的不相似性度量方法，并提出了相应的算法和实验性说明了这种方法的优越性。

Feb, 2020

本论文提出了一种通用的理论框架和算法，通过利用简单的变形来解决多边际最优输运问题（MOT）在多项式时间内，尤其是解决了当前最流行的 Sinkhorn 算法对于 MOT 求解在多项式时间内所需要的额外结构，提供了新的精确且稀疏的算法，同时对于三种 MOT 成本结构提供了可充分利用标准算法技术的多项式时间算法。

Aug, 2020

通过引入随机算法，该研究提出了一种计算连续分布的Wasserstein重心的有效在线算法，该算法基于优化输运理论和Wasserstein重心，并使用其对偶势隐式地参数化了该问题。

Aug, 2020

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

本文提出了一种新的WD代理min-SWGG，该代理基于两个输入分布的一维最优投影诱导的运输映射，并提供了一个相关的传输计划，证明min-SWGG是WD的上界且具有类似于切片Wasserstein的复杂度和梯度下降优化。作者也研究了一些理论性质和在渐进流、形状匹配和图像着色等各种情况下的实证支持。

Jul, 2023

通过动态形式化的最优输运，结合底层几何学（动能）选择和密度路径（势能）的正则化，构造了多种变分问题（Lagrangians），包括Schrödinger桥、非平衡最优输运和具有物理约束的最优输运等。采用双重Lagrangians的对偶形式提出了一种新颖的基于深度学习的统一框架，无需模拟或反向传播经过学习动力学的轨迹，并且不需要访问最优耦合。通过在单细胞轨迹推断中融入先验知识，展示了所提框架的多功能性能，从而在正确预测方面优于先前方法。

Oct, 2023