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

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

该研究论文介绍了两种 Gromov-Wasserstein 类型的距离，用于高斯混合模型集合。这些距离可作为 Gromov-Wasserstein 的替代品，用于评估两个分布间的差异，并且为点云之间的最优传输计划提供了一种定义方式。同时，该研究还提供了实际应用案例，如形状匹配和高光谱图像颜色转换。

Oct, 2023

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

本文提出了一种融合了特征和结构信息的新型距离度量，即融合 Gromov-Wasserstein 距离，它的数学框架被证明具有度量和插值属性，并提供收敛于有限样本的浓度结果。此外，我们还展示和解释了该方法在涉及结构化对象的各种情景中的应用。

Nov, 2018

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

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

该研究提出了一种基于熵正则化、近似 Sinkhorn 缩放和高斯核矩阵低秩逼近的算法，用于计算两个点云或离散分布之间的二次输运度量（也称为 2-Wasserstein 距离或均方根距离），其复杂度为 O (n)。

Oct, 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

该论文提出了一种新颖的端到端非极小算法，用于训练最优输运映射以逼近 Wasserstein-2 距离，并使用输入凸神经网络和循环一致性正则化来近似 Wasserstein-2 距离，解决了流行的熵和二次正则化中存在偏差和高维度缩放问题的不足，并在诸多任务上进行了实验评估。

Sep, 2019