本文研究了切片瓦瑟斯坦距离在不同方面的可扩展性，包括实证收敛性、数据污染下的鲁棒性、以及高效的计算方法，并提出了用于切片瓦瑟斯坦距离常数维度的快速率。同时，本文研究了蒙特卡洛估计器和局部优化算法等方面，验证了理论研究结果。

Oct, 2022

本文研究了基于一维随机投影的概率度量中的切片差异，并发现了其和拓扑、统计和计算方面的关系。我们证明了切片保留了度量公理和差异的弱连续性，并且发掘了切片差异的样本复杂度不依赖于解决问题的维度。最后，我们将此理论应用于几个基本差异，并通过合成和实际数据实验证明了理论的正确性。

Mar, 2020

本研究提出使用 Sinkhorn 散度来估计平方 Wasserstein 距离，其允许更高的正则化水平，从而导致改进的计算复杂度界限和实际的强加速。

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

本研究提出了一种新的变分推断方法，通过最小化切片 Wasserstein 距离来近似非规范化分布并使用神经网络对变分分布进行逼近。我们还提供了理论性分析，并用合成和实际数据进行了实验验证。

Jul, 2022

使用广义 Radon 变换定义了一类新的概率测度距离，称为广义 sliced-Wasserstein (GSW) 距离，并给出 GSW 和 max-GSW 距离是否为距离的条件；并在几个生成建模任务中比较了所提出距离的数值性能。

Feb, 2019

本文研究了 Sliced Wasserstein 距离的性质、优化问题和蒙特卡洛逼近，展示了 Stochastic Gradient Descent 方法最小化该距离的收敛性。

Jul, 2023

本文提出了一种新的距离度量方法，名为 Distributional Sliced-Wasserstein distance（DSW），其通过寻找在单位球上的一组满足特定正则化约束条件的概率测度来计算，能够平衡探索鲜明的投射方向和投射本身信息的信息量，该方法在生成建模应用中比先前的基于切片的距离具有更好的性能。

Feb, 2020

本文提供了通过切片 Wasserstein 距离的算法来求解高斯混合模型参数的新方法，并且与该算法相比，传统的期望极大化算法无论是从随机初始值还是数据分布的准确性方面都更加鲁棒。

Nov, 2017

提出一种基于能量函数的切片分布，利用其构建一维 Wasserstein 距离而得到 energy-based sliced Waserstein (EBSW) 距离，进行拓扑、统计和计算性质的研究，实验表明该方法在点云梯度流、颜色转移和点云重建等方面具有优异性能。

Apr, 2023