本文旨在提出一种新的基于正交矩阵和置换矩阵联合估计的点集对齐算法，并应用在自然语言处理和计算机视觉领域的单语数据的无监督单词翻译问题中，实现了比竞争对手更先进效果却需要更少的计算资源

May, 2018

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

提出一种基于投影的无监督量化 Wasserstein Procrustes（qWP）CLWE 模型，该模型利用源和目标单语嵌入空间的量化步骤来估计排列矩阵，以改善经验 OT 求解器的逼近质量，从而在计算成本固定的情况下取得了最先进的双语词典归纳（BLI）任务结果。

Dec, 2022

本文将跨语言对应问题直接建模为最优传输问题，通过利用测度恢复算法所产生的词嵌入，使用 Gromov-Wasserstein 距离测量不同语言中单词对的相似度，并证明了该模型在无监督翻译任务中表现良好，效果与当前最先进技术相当。

Aug, 2018

通过学习相关可扩展的线性分配问题，我们提出了一种对数据进行对齐的方法，该方法在单细胞多组学和神经潜伏空间的数据集上取得了最先进的性能，并且在概念上和计算上非常简单。

Jun, 2024

该论文提出一种基于 Gromov-Wasserstein 方法的图对齐及嵌入学习框架，通过学习最优传输距离完成图的对齐，以及标记距离来引导嵌入向量的学习，并通过结构正则化减小 Gromov-Wasserstein 距离，使用近端点法求解这个优化问题。该方法在现实网络中的匹配问题上具有卓越的性能表现。

Jan, 2019

无监督图对齐通过仅利用图结构和节点特征确定带属性图的一对一节点对应关系。我们提出一种名为 CombAlign 的模型框架，将计算节点表示并匹配近似嵌入的方法与确定最优传输的 Gromov-Wasserstein 学习相结合，通过特征转换、基于嵌入的启发式方法和优化权重匹配的约束，逐步优化节点对齐，实验证明在对齐准确性上较现有方法显著改进。

Jun, 2024

我们提出了一种适用于现有降维目标的通用适应方法，同时降低样本和特征大小。通过半松弛的 Gromov-Wasserstein 最优输运问题计算输入和嵌入样本之间的对应关系。当嵌入样本大小与输入大小匹配时，我们的模型恢复了经典的受欢迎的降维模型。当嵌入的维度不受限制时，我们展示了最优输运方案提供了一种有竞争力的硬聚类。我们强调了中间阶段将降维和聚类相结合以概括真实数据的重要性，并将我们的方法应用于可视化图像数据集。

Oct, 2023

介绍了一种名为深度集合线性化最优输运的算法，用于将点云有效地嵌入到 L^2 空间中，并在构建一个分类器来区分不同类别的点云的同时，保留 Wasserstein 空间内特定的低维结构。通过使用输入凸神经网络 (ICNNs) 学习这些输运映射的近似，我们发现在特定条件下，从这些 ICNNs 中采样的欧氏距离与真实分布的 Wasserstein-2 距离非常接近。此外，我们训练了一个判别器网络，对这些样本进行加权，并创建一个排列不变的分类器，以区分不同类别的点云。通过在仅拥有有限标记点云的流式细胞术数据集上进行实验，展示了我们算法相对于标准的深度集合方法的优势。

Jan, 2024

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