本研究提出了一种基于可微分分层最优传输（HOT）框架的新颖有效的图匹配方法，称为 DHOT-GM。该方法通过不同模态信息的关系矩阵集合来表示每个图，并通过加权平均匹配结果推断节点对应关系，其匹配结果是在关系矩阵之间通过 Gromov-Wasserstein（GW）距离计算的最优传输方案，所有匹配结果的权重是在矩阵集合上定义的上层最优传输方案的元素。实验证明，与现有方法相比，我们的方法在各种图匹配任务中表现出更高的优越性和鲁棒性。

Oct, 2023

该研究提出了一个基于最优传输与聚类结构相结合的层级对齐方法，同时采用 ADMM 算法和 Sinkhorn 距离来提高噪声、模糊或多峰数据的对齐精度，并在合成数据和神经信号解码中进行了应用，表明该方法对于具有一致聚类结构的数据集在跨领域对齐方面具有显著的性能改进作用。

Jun, 2019

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

通过加速交替最小化方法，我们提出了一种估计多边际最优传输的复杂度，并使用足够小的正则化参数通过基于熵的正则化方法解决了此问题的近似解，提出了一种新颖的原始 - 对偶分析来重构最佳耦合张量

Apr, 2020

本文从概率图形模型角度研究了多边际最优输运问题。当最优输运的成本允许图形结构时，我们指出了二者之间的一个优雅的联系。特别地，通过熵正则化的多边际最优输运等价于概率图形模型的贝叶斯边际推断问题，其中附加了一些边际分布要求的条件。这种关系一方面扩展了最优输运和概率图形模型的理论，另一方面通过利用贝叶斯推断中成熟的算法，实现了多边际最优输运的快速算法。还提供了几个数值例子以突出结果。

Jun, 2020

本文将跨语言对应问题直接建模为最优传输问题，通过利用测度恢复算法所产生的词嵌入，使用 Gromov-Wasserstein 距离测量不同语言中单词对的相似度，并证明了该模型在无监督翻译任务中表现良好，效果与当前最先进技术相当。

Aug, 2018

无监督图对齐通过仅利用图结构和节点特征确定带属性图的一对一节点对应关系。我们提出一种名为 CombAlign 的模型框架，将计算节点表示并匹配近似嵌入的方法与确定最优传输的 Gromov-Wasserstein 学习相结合，通过特征转换、基于嵌入的启发式方法和优化权重匹配的约束，逐步优化节点对齐，实验证明在对齐准确性上较现有方法显著改进。

Jun, 2024

本论文提出了 SLOTAlign—— 一个无监督的图对齐框架，将图对齐转化为两个矩阵间的最优运输问题，结合多视图结构学习增强了图表示能力并减少了图之间继承的结构和特征不一致性的影响，在六个无监督图对齐数据集和 DBP15K 知识图谱对齐基准数据集上的实验表明，SLOTAlign 表现出卓越的性能和最强的鲁棒性。

Jan, 2023

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

本文提出了一种基于 Fused Gromov-Wasserstein 度量空间的 FGWMixup，旨在通过匹配图之间的节点来找到一种匹配策略，以提高图神经网络的泛化性和鲁棒性。

Jun, 2023