本文提出了一种基于图测度空间的概率测度支持的 Sobolev transport metric， 该度量具有计算速度快和负定性等优点，并且可以用于构建正定核，在文本分类和拓扑数据分析中表现良好。

Feb, 2022

本文就偏沃瑟斯坦问题和 Gromov-Wasserstein 问题提出了精确算法，并以正负样本不平衡学习和不同领域点云为例证明了它们在相应场景下的有效性。

Feb, 2020

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

通过优化传输度量，在嵌入 Hilbert 空间的流形上估计一种衡量方法，并将量化优化和学习理论联系起来，为无监督学习中经典算法（k-means）的性能提供新的概率界限。在分析的过程中，我们得出了新的下界和概率上界，这些上下界适用于广泛的测度范围。

Sep, 2012

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

本文介绍了一种新的深度非平衡聚类问题，并提出了一种基于伪标签的学习框架，通过渐进式部分最优输运问题生成偏态感知的伪标签，并从高置信度样本中学习，实验证明了我们方法的优越性。

Jan, 2024

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

该论文讨论了 Optimal Transport 在不同空间中的运用，尤其是研究了如何在图形和结构化数据之间定义和应用 Optimal Transport，特别是在这些数据属于不可比较空间时如何完成适应操作。该文提出了一组 Optimal Transport 工具，其中包括对 Gromov-Wasserstein 距离的研究，其性质可以定义不同空间中的有趣运输问题。我们分析了各种工具的数学性质，建立了计算它们的算法解决方案，并研究了它在许多机器学习场景中的适用性，其中包括分类和简化、结构数据分区以及异构域适应。

Nov, 2020

本文提出了一种基于小批量优化技术的最优传输距离计算方法，探讨了该方法的优点和局限，并提出了一种去偏置的小批量最优传输距离函数，并在机器学习中的各种应用中验证了该方法的实用性。

Jan, 2021

本文提出了一种基于最优传输理论的数据集距离度量方法，不依赖于具体模型参数及训练数据，能够更好地比较数据集的相似度，与转移学习难度具有很好的相关性。

Feb, 2020