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
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。
该论文研究了利用折旧优化技术来预测最优输运映射的应用，称之为 “元优化传输”（Meta OT)。它提高了标准方法的计算效率，并改进了收敛速率。
Jun, 2022
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
GeONet 是一个适用于实时预测的深度神经网络，它通过学习非线性映射来连接 Wasserstein 距离和 geodesic，从而比传统的基于网格的方法具有更高的准确性和更少的计算成本。
Sep, 2022
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
我们提出了两种神经网络方法来近似求解静态和动态条件优化传输问题（COT），这两种方法能够对条件概率分布进行抽样和密度估计，在贝叶斯推断中是核心任务。我们的方法将目标条件分布表示为可处理的参考分布的转换，因此属于测度传输框架。这些方法利用了 COT 问题的静态和动态公式的结构，通过神经网络来参数化 COT 映射以提高可扩展性。我们通过使用基准数据集和贝叶斯反问题将其与最先进的方法进行比较，证明了它们的有效性和效率。
该研究介绍了一种基于神经网络的算法，用于计算强和弱输运成本的最优输运图和计划，并证明了神经网络是概率分布之间传输计划的通用逼近器。通过在玩具示例和非成对图像翻译上评估我们的最优输运算法的性能。
Jan, 2022
提出了一种名为 ProgOT 的新类 EOT 求解器，它能够估计计划和传输映射，通过使用时间离散化分割质量位移、从动态 OT 公式获得启示并利用适当安排的参数使用 EOT 来征服这些步骤，我们提供了实验证据表明，在计算大规模耦合时，ProgOT 是快速且更可靠的替代标准求解器，甚至优于基于神经网络的方法，并且还证明了我们的方法在估计最优传输映射时具有统计一致性。
Jun, 2024
本文介绍了 OT-GNN 模型，该模型利用参数原型计算图嵌入，并通过参数原型和乘子做到了与传统的求和聚合不同的方法，通过几项分子属性预测任务的实验证明，此方法在图嵌入的平滑性和预测性能上超过了当前流行的其它方法。
Jun, 2020