本研究提出了一种基于梯度流的、无需参数的算法，用于学习复杂数据集的潜在分布和从中进行抽样。该算法是建立在隐式生成建模 (IGM) 与最优输运之间的联系理论基础上，并通过泛函优化问题的方式得以实现。通过梯度流和随机微分方程的联系，该算法既能高效地解决优化问题，还提供了理论分析和有限时间误差保证。实验结果表明，该算法能够成功地捕捉不同类型的数据分布结构。

Jun, 2018

本篇论文提出了一种基于随机投影的生成模型，该模型较传统的 GAN 模型更加稳定和精确，采用的 Wasserstein 距离作为度量计算生成样本的真实性，可以得到更准确的生成结果。

Mar, 2018

本文提出了 Gradient-sanitized Wasserstein Generative Adversarial Networks（GS-WGAN）模型，能够处理高度敏感的数据，具备严格的隐私保障，并通过大量实验证明，相比其他方法有更好的效果。

Jun, 2020

该论文介绍了一种新的方法，使用少量参数化正交投影来近似分解高维分布的一维边际分布，以便于在生成式框架中实现深度学习。研究表明，该方法在标准图像综合基准和高分辨率图像和视频生成方面表现出优越性和最先进性。

Apr, 2019

本研究介绍了基于深度学习的一种小批量近似方法，用于在自动编码器和生成式对抗网络等现代生成模型中实现切片 Wasserstein 距离，以便在无监督情况下实现高分辨率图像和视频的生成，表现为当代最佳水平。

Jun, 2017

差分隐私（DP）在隐私保护机器学习领域取得了显著成果，但现有的 DP 框架无法满足成为度量标准的所有条件，这阻碍了它们从基本的隐私属性中得到更好的结果，使隐私预算的值夸大化。我们提出了 Wasserstein 差分隐私（WDP），一种用于衡量隐私泄露风险的替代 DP 框架，它满足对称性和三角不等式。我们展示并证明 WDP 具有 13 个优秀的属性，这些属性可以作为 WDP 相较于其他 DP 框架更好性能的理论支持。此外，我们推导了一种称为 Wasserstein 账户的通用隐私计算方法，使 WDP 可以应用于包含子采样的随机梯度下降（SGD）场景。基本机制、组合和深度学习的实验证明 Wasserstein 账户得到的隐私预算相对稳定且不受顺序的影响较小。此外，隐私预算的高估可以得到有效缓解。代码可在此 https URL 上获取。

Jan, 2024

研究深度学习模型在保护隐私方面的挑战，尤其是在图形结构数据上应用差分隐私随机梯度下降来防止训练数据泄漏。这篇论文提出通过在给定训练图的不相交子图上训练图神经网络来解决这个问题，并且进行了大量实验来验证方法的有效性。

Jan, 2023

本研究提出了一种基于 Wasserstein 梯度流的数据集转换框架，可应用于分类数据集的约束、迁移学习和转换黑盒模型，以实现高准确度的分类。

Oct, 2020

本文提出一种差分隐私变分推理方法，该方法基于双重随机变分推理，并通过剪辑和扰动梯度来加入差分隐私，并通过子采样来增加隐私保护的效率。该方法在强隐私保证下的准确性接近于非私密级别，是以前基于抽样方法的替代品的明显改进。

Oct, 2016

通过使用渐进流模型 JKO 流模型，在生成数据方面提供了理论保证，证明了其数据生成能力的 KL 保证在一些条件下的收敛速度为 O (ε^2)。

Oct, 2023