本文提出了一个新颖的两步方法来解决基本问题，即从一个分布学习到另一个分布的最优映射，首先我们学习一个最优传输（OT）方案，其次我们估计 Monge 映射作为一个深度神经网络，演示了我们的建议方法在域适应和生成建模方面的应用。
Nov, 2017
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
该论文提出了一种在潜在的全局转换情况下进行离散最优传输的通用框架，并通过采用灵活类的不变性来选择转换进行联合最优化求解，成功解决了包括无监督词汇翻译基准在内的各种任务。
Jun, 2018
计算机视觉和图形领域，使用功能映射和最优传输处理非刚性形状匹配问题，采用切片沃舍尔斯坦距离作为最优传输度量，在无监督形状匹配框架中通过功能映射正则化和源自切片沃舍尔斯坦距离的最优传输损失增强形状特征对齐，同时采用熵正则化最优传输的自适应细化过程进一步提高准确的点对点对应关系，有效地处理非刚性形状匹配，包括近等度和非等度情景，并在分割转换等后续任务中表现出卓越性能。
Mar, 2024
通过对优化传输具有二次正则化的对称版本的利用来构建稀疏且自适应的亲和矩阵的流形学习方法，从而检测数据嵌入的潜在流形是广泛一类下游分析的先决条件。我们证明了连续极限中产生的核函数与拉普拉斯类型算子一致，并在模拟中展示了对异方差噪声的鲁棒性，我们还确定了适用于离散数据的计算该优化传输的高效计算方案，并证明在一系列示例中它优于竞争方法。
Jul, 2023
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
使用投影和子空间的替代方法优化原始的最优输运问题，同时研究其在不同领域的应用，包括黎曼流形、不平衡最优输运问题、梯度流和概率测度空间中的 Busemann 函数以及 Gromov-Wasserstein 距离的推广。
Nov, 2023
该研究提出了一个基于最优传输模型的算法，用于从共同的黎曼流形上的横截面概率分布样本中学习度量张量，并证明所提出的算法可以提高 scRNA 和鸟类迁徙数据上的轨迹推断质量。
May, 2022
本文提出了两种方法，从子空间中的最优传输中推断出在整个空间中的近似最优传输， 进而研究了高斯混合模型的领域适应方案并应用于椭圆词嵌入的语义中介。
May, 2019
使用 CondOT，一种多任务学习方法，结合上下文变量和部分输入凸的神经网络，可以在给定单细胞的基因或治疗干预效果的情况下，推断出其任意组合的效果。
Jun, 2022