通过对共轭势进行特定正则化，我们提出了一种用于神经最优输运（NOT）训练过程的新扩展，能够准确高效地估计最优传输方案。我们通过引入期望损失函数的正则化来解决现有 NOT 求解器的主要瓶颈问题，从而实现对学习双重潜力的限制条件，提供共轭势可能分布的上界估计，使学习过程稳定，消除了额外的广泛微调的需求。我们称之为期望损失正则化神经最优输运（ENOT）的方法在 Wasserstein-2 基准任务上明显优于先前的最新技术方法（质量提高 3 倍，运行时间提高 10 倍）。

Mar, 2024

本文探讨在最优输运问题的原始和对偶形式中引入强凸项的正则化方法，以产生稀疏和群稀疏输送计划，并在颜色转移任务上展示了该框架的应用。

Oct, 2017

本文介绍了一种基于图论的最优运输问题，提出使用二次正则化方法来处理在二元邻接矩阵的基础上运用网络流算法，进一步探索并优化新颖的牛顿优化算法

Apr, 2017

该研究提出了一种规范化的非监督最优运输模型，通过找到公共表示来在源域和目标域之间执行两个领域的对齐，从而在标记和未标记的数据中同时利用了源和目标领域中的信息，该模型在可视化自适应方面表现优异。

Jul, 2015

学习度量到度量映射是机器学习中的一项关键任务，而神经最优输运方法（Neural OT）结合了神经网络模型和最优输运理论，将最优输运作为归纳偏置，并通过实验表明其在单细胞生物学中具有实用性。

Oct, 2023

本文提出一种稀疏感知的最优传输 (SOT) 准则，通过利用 OT 框架中的降级疏松性，可以在无监督的恢复学习中显着提高性能，特别是在超分辨率和去雾等任务上。实验结果表明，SOT 可以在这些任务中显著优于现有的无监督方法，接近于最优监督方法的表现。

Apr, 2023

该论文提出了一种基于 group-sparse 正则化方法的快速离散最优传输算法，该算法可以在保证准确率的前提下提高计算速度，并在无监督域适应等领域有广阔的应用前景。

Mar, 2023

本文介绍了一种基于神经网络的新算法，用于计算一般的成本功能的最优输运方案和映射，该算法通过鞍点重构最优输运问题并推广到先前在弱和强输运成本功能中的方法，最终构建了一个可保存数据类别结构的数据分布映射功能。

May, 2022

本文提出了一种新的最优输运问题方法，具有明确的基数约束，既能保证传送方案的稀疏性，又能够限制匹配的最大数量，使其在稀疏专家混合等应用中能够更好地解决计算性能问题。

Sep, 2022

提出了一种使用 extit {Entropic Optimal Transport (EOT) eigenmaps} 方法来对齐和共同嵌入一对数据集的原则性方法，利用两个数据集之间的 EOT 平面矩阵的主导奇异向量提取它们的共享潜在结构并在一个公共嵌入空间中对齐数据集。该方法在高维情形下能恢复共享流形结构，与经典的 Laplacian eigenmaps 和 diffusion maps embeddings 有类似的有利特性，并且在模拟和真实生物数据分析中显示了相对于替代方法的优势。

Jul, 2024