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

我们提出了一个完全新的基于最优传输的框架，用于比较图形，该框架能够有效地解决不同任务，如图形对齐，图形分类和图形信号预测问题，通过显式解析 Wasserstein 距离的表达式，其中图拉普拉斯矩阵被用来描述类似于曲面的图形信号分布的概率分布，最终优化处理的难点是用基于贝叶斯探索的随机算法来破解图形对齐问题的非凸性。

Jun, 2019

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

该论文提出了一种基于图顶点的概率分布最优传输方法，它不仅满足三角不等式，而且具有更好的可扩展性和与连续传输理论的联系，同时提供了一个适用于该方法的时间离散化方法并验证了其有效性。

Mar, 2016

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

本文探讨使用 Gromov-Wasserstein 距离进行图像比较时所涉及的质量损失和计算效率问题，并提出了一种新的模糊 Gromov-Wasserstein 距离，以提高计算效率和准确度，同时在图形字典学习和分区学习等多个领域实现了优异表现。

Oct, 2021

本文提出了基于图的最优传输（GOT）框架，采用最优传输学习跨领域映射，通过表示实体和动态构建的图来解决节点和结构之间的匹配问题，并通过节点匹配和结构匹配的 Wasserstein 距离和 Gromov-Wasserstein 距离用于损失公式实现对齐，在包括图像 - 文本检索、视觉问答、图像描述、机器翻译和文本摘要等各种任务中取得了一致的高效表现。

Jun, 2020

我们提出了一种新的框架，用于在马尔科夫链之间制定最佳输运距离的形式化。我们将此问题转化为在约化空间中求解线性规划的问题，并且通过 Sinkhorn Value Iteration 方法计算最佳输运距离，从而得到与马尔科夫链的 bisimulation metrics 完全匹配的结果。

Jun, 2024

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

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