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
本文研究了使用少量副信息来学习代价函数的方法，该信息能够捕获到数据集中的子集对应关系，并提出了一种基于 Sinkhorn 算法的端对端优化器，实现了代价函数的自适应学习，结果表明该方法在图片、婚姻匹配和单细胞 RNA 测序等数据集上取得了明显的性能优势。
Sep, 2019
本文讨论了一种使用非均衡最优传输距离结合小批量策略的方法，以在处理大规模数据集时对比一般的优化传输距离更加鲁棒且能够获得更好的实验结果。
Mar, 2021
本研究基于低秩约束探索了一种求解任意代价的最优输运问题的泛用性算法，并通过基准实验验证其效率。
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最优输运问题方法，具有明确的基数约束，既能保证传送方案的稀疏性，又能够限制匹配的最大数量，使其在稀疏专家混合等应用中能够更好地解决计算性能问题。
Sep, 2022
本文讨论了在机器学习中优化传输（Optimal Transport）的应用，侧重于可扩展性问题，并提供了优化传输问题的全面综述。作者提出了现有文献中用于解决优化传输可扩展性问题的方法，并对这些方法进行了系统分析，并提出了未来研究方向和挑战。
May, 2023
本文提出基于Unbalanced Optimal Transport(UOT)的半对偶形式构建的新型生成模型，相比于基于OT的方法在处理噪点，稳定性和训练收敛速度等方面表现更优。通过实验验证了该模型的性质，并研究了UOT之间分布差异的理论上界。实验结果显示，该模型在CIFAR-10和CelebA-HQ-256数据集上的FID分别为2.97和5.80，优于现有基于OT的生成模型。
本文提出以切片和非平衡最优运输为基础的一般框架，利用Frank-Wolfe型算法来比较正测度，并概述了它们的统计特性。
Jun, 2023
在这项工作中，我们利用了Gromow-Wasserstein和成本正则化的最小化线性最优传输目标之间的并行性质，参数化一种地面成本函数来匹配两个不同的欧氏空间中的测度，通过在转换后的源点和目标点之间计算成本。我们提供了一种近似算法，从不对齐的数据中提取这样的转换，并证明其适用于单细胞空间转录组学/多组学匹配任务。
Nov, 2023