本文提出了一种基于反向最优传输的统一数据驱动框架，可从噪声和不完整的实证匹配矩阵中学习自适应、非线性交互成本函数并在各种匹配环境下预测新的匹配。
Feb, 2018
现有的合成控制方法 (SCMs) 存在内隐内源性问题，本研究基于密度匹配提出了一种新的 SCM 方法，通过匹配处理结果矩和未处理结果矩的加权和来估计 SC 权重，该方法具有无偏性、降低均方误差以及生成完整治疗效应密度的优点。
Jul, 2023
扩展基于扩散的算法到函数空间，我们提出了一种适用于无限维空间的随机最优控制（SOC）理论。该理论通过引入 Doob 的 h - 变换，从 SOC 的视角推导并扩展至无限维空间，并提出了两个应用：无限维分布间的桥接学习和采样的生成模型。该方法对于包括连续函数空间表示的各种问题，如无分辨率图像、时间序列数据和概率密度函数，都证明了其有效性。
May, 2024
给出了一种最小化标准流失函数的向量场精确公式，该公式在给定的分布 ρ₀和未知分布 ρ₁的基础上进行了分析，并提出了一种新的损失函数和算法。与标准条件流匹配方法相比，通过蒙特卡罗采样方法评估时，我们的损失函数表现出较小的方差。通过对合成模型和大维度表格数据模型的数值实验证明了使用该算法能够获得更好的学习结果。
Feb, 2024
提出了基于二次评分函数的一对一匹配算法和半监督伴侣一对一匹配算法，实验证明该算法在某些情况下优于其他常见的匹配算法，并将该算法应用于研究以探究面对面学校教育对社区 Covid-19 传播率的影响，以作为决策的依据。
Mar, 2024
本文提出了一种新的基于图神经网络的图匹配方法，名为 Stochastic Iterative Graph MAtching (SIGMA)，该方法采用多步匹配程序和虚拟节点等创新技术，并采用可伸缩随机优化方法，经过大量实验验证表明，与现有领先方法相比，该方法在合成图数据集、生物化学和计算机视觉应用中，均能显著提高图匹配的结果。
Jun, 2021
该研究介绍了一种名为 SCSG 的自适应算法，通过批量方差降低和几何随机变量技术，该算法对强凸性和目标精度具有适应性，实现了比其他已有适应性算法更好的理论复杂度。
Apr, 2019
本文研究了具有稳定数据点的深度生成模型和控制理论之间的联系，并使用随机稳定性工具对流匹配模型进行了特征化。
本文研究噪音在随机最优控制问题中的作用以及高效计算的问题，通过将一类非线性控制问题转换成路径积分形式，探讨噪音在其中的作用，并针对这个问题提出蒙特卡罗积分或拉普拉斯逼近等高维随机控制问题的解法。
Nov, 2004
该研究论文介绍了如何通过高阶噪声抑制分数匹配方法实现得分网络的最大似然训练，以提高得分模型的生成质量和对于数据概率分布的似然评估。
Jun, 2022