本文通过熵正则化的 Optimal transport（OT）工具，对 Inverse Optimal Transport（IOT）进行正式化和系统分析，包括代价等价成本的流形特性、模型先验的影响以及基于模拟的结果验证等方面。

Dec, 2021

提出一种新的随机优化算法来应对机器学习中遇到的大规模问题，该方法利用任意分布的样本来避免将密度值离散化，并提供了可证明收敛的方法，输出正确的距离。

May, 2016

本文主要介绍了最优传输（OT）的基本概念及其在机器学习中的应用，提出了双重边界最优传输（DB-OT）方法，用于解决实际情况下涉及未确定目标的问题，并应用于聚类和长尾分类任务中，实验证明该方法在测试阶段具有良好的性能。

Jan, 2024

本文提出了一种无约束凸优化形式的逆向最优输运问题，其中包括了两种数字算法，并使用深度神经网络参数化成本函数，以此解决了现有逆向最优输运方法中前向计算瓶颈的问题，并展示了这种方法的高效性和准确性。

Feb, 2020

提出一种名为 COOT 的新型最优输运问题，它同时优化两个输运映射，用于异质域适应和聚类数据总结，相比现有的方法，COOT 表现出更高的性能。

Feb, 2020

本短篇论文着重回顾了优化输运相关理论（Optimal transport theory）及其在数据科学中的应用，重点在于阐述其针对分类、回归、密度拟合等机器学习等领域的优势，介绍了它的数值方法，并介绍了一些学术性质。

Mar, 2018

本文提出基于 Unbalanced Optimal Transport (UOT) 的半对偶形式构建的新型生成模型，相比于基于 OT 的方法在处理噪点，稳定性和训练收敛速度等方面表现更优。通过实验验证了该模型的性质，并研究了 UOT 之间分布差异的理论上界。实验结果显示，该模型在 CIFAR-10 和 CelebA-HQ-256 数据集上的 FID 分别为 2.97 和 5.80，优于现有基于 OT 的生成模型。

May, 2023

提出了一种名为 ProgOT 的新类 EOT 求解器，它能够估计计划和传输映射，通过使用时间离散化分割质量位移、从动态 OT 公式获得启示并利用适当安排的参数使用 EOT 来征服这些步骤，我们提供了实验证据表明，在计算大规模耦合时，ProgOT 是快速且更可靠的替代标准求解器，甚至优于基于神经网络的方法，并且还证明了我们的方法在估计最优传输映射时具有统计一致性。

Jun, 2024

该论文提出了一种通过噪声数据推断未知成本的方法，利用了前向最优传输问题和随机数生成方法作为基础，探讨了其在国际迁移流问题上的应用和不确定性量化。

May, 2019

以单一框架统一 Optimal Transport（OT）为基础的对抗方法，通过对统一框架的全面分析来阐明每个组成部分在训练动力学中的作用。我们提出了一个简单而新颖的方法，逐步改进生成分布，并逐渐与数据分布对齐。该方法在 CIFAR-10 上实现了 2.51 的 FID 得分，胜过了统一的基于 OT 的对抗方法。

Oct, 2023