熵优化传输的最小内在维度缩放
研究了 $d>2$ 离散测度的最优输运问题，提出了有熵正则化项的线性规划方案，并引入了 Sinkhorn 扩展算法，并给出了严格凸函数部分最小化算法的变形，得到其收敛速度的几何估计。
May, 2020
用 Gromov-Wasserstein 距离的下界，通过对所有数据矩计算，基于内在和多尺度的方法对比数据流形。实验证明，该方法能够有效地识别不同维度未对齐数据的结构，并展示了在评估生成模型质量方面的功效。
May, 2019
本文提出了一种新型的最优熵输运问题，解决了在一般拓扑空间的非负有限 Radon 测度类中的问题，其中，最小化线性输运功能和两个凸熵功能的和，并讨论了对数熵输运问题，介绍了一种度量空间中的新 Hellinger-Kantorovich 距离，该距离具有很强的几何分析能力。
Aug, 2015
在这项工作中，我们介绍了一种自动选择合适尺度的协议，该尺度能够使内在维度具有意义且有用，并且通过对人工和真实数据集的基准测试来证明了该程序的实用性和鲁棒性。
May, 2024
本文证明了熵正则化最优输运问题的 Gamma 收敛性，并证明了隐式步骤按熵正则化距离时收敛于原始梯度流，证明了压缩后的最优输运计划收敛于最优输运计划，这表明了压缩后的熵正则化最优输运计划在熵消失时收敛于最优输运计划。
Dec, 2015
本研究介绍了一种新的快速算法类来近似涉及不平衡最优传输的变分问题，其利用熵正则化方案扩展到不平衡的情况，并且可以应用于形状变换、颜色转换和生长模型等各种领域。
Jul, 2016
本文提出了一种新的最优传输距离家族，从最大熵的角度看待运输问题。在传统最优传输问题上加入熵正则化项，通过 Sinkhorn-Knopp 的矩阵缩放算法计算新的距离，显著提高了性能。
Jun, 2013
本文探讨基于数据维度和结构本身而非基于统计的方法，提出一种计算连续空间熵的测度，称作 ID-Entropy，该熵测度适合在神经网络中广泛使用，可以保留数据固有的维度信息，并在分类器和自动编码器中直接控制泛化差距的大小。
Apr, 2023
本文章提出了一种新的方法来估计高维中两个概率分布之间的 Wasserstein 距离和最优传输方案，该方法可以在各种任务中获得显著的改进，包括单细胞 RNA 测序数据的领域适应性。该方法基于低运输秩的耦合，解决了数据驱动最优传输中的维数灾难，并得到了理论分析的支持。
Jun, 2018