该研究论文介绍了两种 Gromov-Wasserstein 类型的距离，用于高斯混合模型集合。这些距离可作为 Gromov-Wasserstein 的替代品，用于评估两个分布间的差异，并且为点云之间的最优传输计划提供了一种定义方式。同时，该研究还提供了实际应用案例，如形状匹配和高光谱图像颜色转换。

Oct, 2023

本文提出了一种融合了特征和结构信息的新型距离度量，即融合 Gromov-Wasserstein 距离，它的数学框架被证明具有度量和插值属性，并提供收敛于有限样本的浓度结果。此外，我们还展示和解释了该方法在涉及结构化对象的各种情景中的应用。

Nov, 2018

本文提出了敏感于异常值的加权有向网络示度着距离度量 —— 网络 Gromov-Wasserstein 距离，通过基于最优输运的网络不变量近似该距离的下界，并分别在多个模拟网络数据集和全球双边迁移数据集上进行了测试。

Aug, 2018

对于机器学习中的许多应用而言，图的成对比较是关键，涉及到聚类、基于核的分类 / 回归和最近监督图预测等。图之间的距离通常依赖于这些结构化对象的有效表示，例如子结构的集合或其他图嵌入。本研究引入了一种用于比较具有节点和边特征的图的 Gromov-Wasserstein 距离的扩展，提出了距离和重心计算的新算法，并在分类和图预测等图出现在输入空间或输出空间时的学习任务中经验证明了新距离的有效性。

Sep, 2023

该研究考虑如何计算结构化对象间的距离，并提出了一种新的用于概率分布度量的运输距离 ——Fused Gromov-Wasserstein（FGW），成功在图分类任务中超越了传统方法，对于图的聚类问题也起到了积极的作用。

May, 2018

我们提出了一种新的方法，通过动态规划技术加速精确梯度计算，将复杂度从立方降低到二次，从而突破了原有的计算瓶颈，可以在总二次时间内获得新的熵解，这几乎是最优复杂度。大量实验证实了我们方法的高效性和有效性。

Apr, 2024

提出了两种不平衡的 Gromov-Wasserstein 公式：一种是基于松弛质量守恒约束的正定差异，另一种是基于锥形提升的等距测距，它们都允许比较拥有正定度量的任意正度量的测度空间 (isometries)。

Sep, 2020

此研究介绍了一种基于 Wasserstein 距离的方法，用于高维数问题中的 Gaussian 混合模型的优化问题，并讨论了它的性质和在图像处理中的应用。

Jul, 2019

提出一种新的基于 Gromov-Wasserstein 距离的分歧方法，称为 Sliced Gromov-Wasserstein，它可以通过分片方法处理大规模分布，并在实验中证明了其与 GW 相比处理能力更强但计算速度更快。

May, 2019

通过置换不变网络将样本从概率测度映射到低维空间，使编码样本之间的欧几里得距离反映概率测度之间的 Wasserstein 距离，进一步证明了该网络可以推广到正确计算未见密度之间的距离，并且可以学习到概率分布的第一和第二矩。

Oct, 2020