通过引入几何流匹配，本文在特征稳定的概率动力学和同态建模之间提出了一个混合概率路径，用于 3D 分子的生成，并在多个分子生成基准测试中实现了更好的性能和平均 4.75 倍的采样速度提升。

Dec, 2023

通过引入可伸缩的 E (3)- 等变消息传递体系结构 Semla 和使用流匹配训练的分子生成模型 MolFlow，本研究解决了当前 3D 药物设计中的慢速采样和生成化学有效分子的问题，并且提出了用于无条件分子生成器的新的基准度量方法，最终实验结果表明 MolFlow 显著提升了样本质量和性能。

Jun, 2024

本文提出一种名为 GOAT 的修正版算法，它使用最优输运的方法替代了线性分配算法，以加快计算和提高准确性，用于解决图匹配问题。

Nov, 2021

我们研究了条件最优传输的几何性质并证明了一种推广了 Benamou-Brenier 定理的动力学表述。利用这些工具，我们提出了一种无需模拟的基于流的条件生成建模方法。我们的方法通过三角形条件最优传输方案将任意源分布与指定目标分布相耦合。我们借鉴流匹配的框架，通过近似由该条件最优传输方案诱导的测度测地线路径来训练条件生成模型。我们的理论和方法可在无限维设置中应用，非常适用于逆问题。在实证方面，我们将我们提出的方法应用于两个图像转换任务和一个无限维贝叶斯逆问题。

Apr, 2024

本文提出了一种基于循环图优化传输的深度神经网络解决大颗粒位移、高计算成本等问题，在几何和特征空间构建两个图，并且从图神经网络中获得融合的内部和外部特征用于优化传输计划，从而可以对粒子对进行对应关系的迭代适应式检索以指导循环流学习，实验结果证明该方法在粒子跟踪方面取得了最先进性能。

Oct, 2022

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

在高斯混合模型空间中提出一种最优质量传输框架，以比较、插值和平均不同模型。该方法研究了具有一定结构的概率密度的子流形上的这些模型，并讨论了不同方面和举了多个例子。这是对更一般的概率密度结构进行最优输运问题研究的第一次尝试。

Oct, 2017

我们提出了一个完全新的基于最优传输的框架，用于比较图形，该框架能够有效地解决不同任务，如图形对齐，图形分类和图形信号预测问题，通过显式解析 Wasserstein 距离的表达式，其中图拉普拉斯矩阵被用来描述类似于曲面的图形信号分布的概率分布，最终优化处理的难点是用基于贝叶斯探索的随机算法来破解图形对齐问题的非凸性。

Jun, 2019

本文提出了一种名为 NubOT 的神经非平衡最优输运 (OT) 方案，针对单细胞生物学领域中在不同时间点上获取的未配对分布或人群的比较问题，通过半耦合形式学习数据分布之间的最优耦合，解决了传统 OT 中质量守恒假设在人群大小变化时的不平衡场景下失效的问题，并应用到肿瘤细胞药物敏感性预测中，获得了明显的优化效果。

Sep, 2022