本文提出了一种针对离散最优输运问题的平滑凸正则化统一框架，并基于 Bregman 差异将正则化最优输运等效于矩阵相似问题，其中的算法包括基于 Sinkhorn-Knopp 以及 Dykstra 的交替投影算法，以及基于牛顿-拉夫逊法的扩展算法。此外，还将该框架应用到了机器学习和信息几何等领域，并通过实验进行了验证。

Oct, 2016

本文章提出了一种新的方法来估计高维中两个概率分布之间的Wasserstein距离和最优传输方案，该方法可以在各种任务中获得显著的改进，包括单细胞RNA测序数据的领域适应性。该方法基于低运输秩的耦合，解决了数据驱动最优传输中的维数灾难，并得到了理论分析的支持。

Jun, 2018

本文提出了两种方法，从子空间中的最优传输中推断出在整个空间中的近似最优传输， 进而研究了高斯混合模型的领域适应方案并应用于椭圆词嵌入的语义中介。

May, 2019

本研究借鉴正则化理论，提出算法，利用二阶Wasserstein距离和Lipschitz性质，通过解决优化问题来得到光滑的Brenier凸函数，实现了快速而准确的图像传输。

May, 2019

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

本文研究了使用少量副信息来学习代价函数的方法，该信息能够捕获到数据集中的子集对应关系，并提出了一种基于 Sinkhorn 算法的端对端优化器，实现了代价函数的自适应学习，结果表明该方法在图片、婚姻匹配和单细胞 RNA 测序等数据集上取得了明显的性能优势。

Sep, 2019

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

该论文提出了一种基于 group-sparse 正则化方法的快速离散最优传输算法，该算法可以在保证准确率的前提下提高计算速度，并在无监督域适应等领域有广阔的应用前景。

Mar, 2023

该论文介绍了交通运输问题在机器学习中的应用：近期的研究针对交通运输问题的计算和建模限制提出了新的方法，其中包括熵正则化和基于低秩矩阵的线性时间解算方法，以及基于惩罚项促进质量守恒的不平衡交通运输方法，该论文提出了一种将这两种方法结合的算法，并通过实际应用于空间转录组匹配问题证明了该方法的实用性。

May, 2023

本文提出了一种基于推向前映射和学习适当代价结构的方法，通过使用 Monge-Bregman-Occam 管线，使用 $h$-变换和 $h$-凹潜力生成适应结构化代价的基本真实传输，并提出一种学习低维空间中传输位移的正则化方法，通过 Riemannian 梯度下降对 Stiefel 流形进行基础变化，从而得到更加稳健和易于解释的估计量。

Jun, 2023