提出了一种新的训练策略，利用基于邻域的框架和 Optimal Transport，以改善对低资源仇恨言论语料库的系统性能，实现相对距离建模的灵活性。

Oct, 2022

基于对比最优传输的新型框架有效地解决了生成对抗性叙述的目标互动和多样化方面的挑战，通过引入 Optimal Transport Kernel (OTK) 模块将仇恨目标信息融合到标记表示中，使用自对比学习模块生成各向异性分布的标记表示，通过以令牌相似性和目标相关性为考虑因素的改进解码策略来明确促进领域相关性和多样化，从而显著优于现有方法的量化和定性实验。

Jun, 2024

以单一框架统一 Optimal Transport（OT）为基础的对抗方法，通过对统一框架的全面分析来阐明每个组成部分在训练动力学中的作用。我们提出了一个简单而新颖的方法，逐步改进生成分布，并逐渐与数据分布对齐。该方法在 CIFAR-10 上实现了 2.51 的 FID 得分，胜过了统一的基于 OT 的对抗方法。

Oct, 2023

该研究提出了一个基于最优传输与聚类结构相结合的层级对齐方法，同时采用 ADMM 算法和 Sinkhorn 距离来提高噪声、模糊或多峰数据的对齐精度，并在合成数据和神经信号解码中进行了应用，表明该方法对于具有一致聚类结构的数据集在跨领域对齐方面具有显著的性能改进作用。

Jun, 2019

通过将度量空间从欧氏距离度量更改为测地距离度量，将先前的最优传输模型扩展到内在表示的领域自适应问题，并通过引入簇先验结构构建了一个隐式贝叶斯模型来提高数据的鲁棒性。

Apr, 2023

多模情感识别模型在实验室环境中取得了显著的表现，但在野外环境中，由于训练所使用的模态的不可用性或质量问题，这些模型存在困难。通过引入特权信息来进行深度学习模型的训练，以利用仅在训练期间可用的额外模态数据。本文提出一种基于最优输运的结构化知识蒸馏机制 (PKDOT) 方法，通过计算余弦相似度矩阵并选择前 k 个锚点，以得到更稳定的蒸馏过程。实验证明该方法在两个不同问题上的性能优于现有的特权知识蒸馏方法，具有模态和模型无关性。

Jan, 2024

利用最大似然估计进行神经语言模型训练时，存在曝光偏差问题。提出使用最优传输匹配训练和测试时的序列，以及基于文本序列的结构和上下文信息进一步改进最优传输学习，有效改善了机器翻译、文本摘要和文本生成任务的表现。

Oct, 2020

该论文研究了语音翻译的跨模态任务，以及如何通过使用最优传输和跨模态混合等方法，来克服语音和文本之间的模态差异，从而提高翻译的准确性。实验结果表明，该方法比以往方法表现更优秀。

May, 2023

本文提出了基于图的最优传输（GOT）框架，采用最优传输学习跨领域映射，通过表示实体和动态构建的图来解决节点和结构之间的匹配问题，并通过节点匹配和结构匹配的 Wasserstein 距离和 Gromov-Wasserstein 距离用于损失公式实现对齐，在包括图像 - 文本检索、视觉问答、图像描述、机器翻译和文本摘要等各种任务中取得了一致的高效表现。

Jun, 2020

本文提出了一种能够改善伪造检测性能的新的身份交换算法，将外观映射问题规范化为最优传输问题，并提出了一种外貌最优传输模型（AOT）以在潜在空间和像素空间中进行规范化。通过模拟最佳传输计划并通过在潜在空间中学习的特征的 Wasserstein 距离来解决它，使得性能更好，计算量比传统优化方法少。我们进一步通过引入鉴别器来将假的部分与真实和假的图像拼贴块的混合物区分开来，以进一步精细解决这个最优传输计划的问题，并证明了我们的方法相对于最先进的方法的优越性以及生成的数据改善面部伪造检测性能的能力

Nov, 2020