提出了两种不平衡的 Gromov-Wasserstein 公式：一种是基于松弛质量守恒约束的正定差异，另一种是基于锥形提升的等距测距，它们都允许比较拥有正定度量的任意正度量的测度空间 (isometries)。

Sep, 2020

本文就偏沃瑟斯坦问题和 Gromov-Wasserstein 问题提出了精确算法，并以正负样本不平衡学习和不同领域点云为例证明了它们在相应场景下的有效性。

Feb, 2020

提出了一种计算低维空间中两组点之间 Gromov-Wasserstein 问题的框架，通过将 Quadratic Assignment Problem (QAP) 重新表述为低维域的优化问题来解决计算复杂度的挑战。该方法适用于具有成千上万个点的大规模问题，可用于找到全局解，并在合成问题和计算生物学中的一个感兴趣的问题上与最先进的方法进行比较。

Jul, 2023

提出了一个可扩展的 Gromov-Wasserstein 学习（S-GWL）方法，用于大规模图分析，通过学习多个观察到的图的 Gromov-Wasserstein 重心图来实现多图分区和匹配，并将其统一到同一框架中，从而在准确性和效率之间取得了平衡。

May, 2019

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

该研究通过使用热核在 Gromov-Wasserstein 的框架上实现了新的多尺度图比较，提出了一种通过最优输运来解决 k-cut 图分割问题的新方法，比当前最先进的 GWL 技术在真实世界网络上表现更佳。

Jun, 2020

提出一种新的基于 Gromov-Wasserstein 距离的分歧方法，称为 Sliced Gromov-Wasserstein，它可以通过分片方法处理大规模分布，并在实验中证明了其与 GW 相比处理能力更强但计算速度更快。

May, 2019

我们提出了一种新的方法，通过动态规划技术加速精确梯度计算，将复杂度从立方降低到二次，从而突破了原有的计算瓶颈，可以在总二次时间内获得新的熵解，这几乎是最优复杂度。大量实验证实了我们方法的高效性和有效性。

Apr, 2024

提出了一种新的基于最优输运的距离度量方法，称为增强型 Gromov-Wasserstein，在保持对几何变换的某种程度刚度的同时，结合特征对齐，以更好地利用输入数据的先验知识，用于单细胞多组学对齐任务和机器学习中的迁移学习场景。

Jul, 2023

本文提出了一种基于 Gromov-Wasserstein 距离的新型非线性因子分解模型，可用于关系图的聚类。

Nov, 2019