本文研究了多项式最优运输（MOT）距离的近似复杂性，提出了两个新的确定性算法：多重边缘 Sinkhorn 算法和加速多重边缘 Sinkhorn 算法。通过实验，证明了这两种算法在计算效率和准确性上的优越性。

Sep, 2019

本文中提出了一种新的多重边际 Wasserstein GAN（MWGAN）来最小化域之间的 Wasserstein 距离，并利用多边际最优传输理论开发了一种新的对抗性目标函数以利用交叉域相关性，并在平衡和不平衡的翻译任务上进行了理论分析和实验证明了 MWGAN 的有效性。

Nov, 2019

通过借鉴因果推断中的潜在结果与多模态观察中的潜在视角的类比，本研究提出了一种方法来解决多模态表示学习中异质模态样本的对齐问题。该方法假设我们通过实验处理来收集样本，并使用此来估计每个模态的倾向得分，从而定义了样本之间的距离。实验结果表明，使用最优传输匹配技术相较于现有先进对齐方法在综合多模态设置和 NeurIPS 多模态单细胞整合挑战中的真实数据中能够显著提高对齐效果。

Apr, 2024

本研究提出了一种端到端归纳深度学习框架，解决了多视图表示学习问题，并在众包平台上收集了两个数据集以实验比较我们的方法与传统基线方法的性能。

Feb, 2023

通过最佳传输方法和重新配对，本研究提出了一种处理来自互联网上收集的异构数据的实用框架，该框架在已有模型的基础上显著提高了鲁棒性。

Mar, 2024

多网络对齐的多层次多边界优化传输框架（HOT）通过分解网络，使用融合的 Gromov-Wasserstein（FGW）质心来处理大规模的解空间，并基于多边界设置将 FGW 距离推广到多网络对齐中，进而开发了一种快速的邻近点方法以获得局部最优解，通过广泛的实验证明了 HOT 在效果和可扩展性方面都明显优于现有技术的成果。

Oct, 2023

该研究提出了模态间隙这一多模型表示空间中的有趣几何现象，对此进行了系统分析，以及对构成格局的模型初始化和对比学习优化进行了实证和理论上的解释。研究表明，严格维持不同数据模态之间的分离效用，有助于提高模型的下游分类性能和公平性。

Mar, 2022

提出一种新颖的自监督点云表示学习方法 MM-Point，通过多模态交互和传输同时处理三维物体和多个二维视图之间的一致跨模态目标，以及通过多个 MLP 和多层次增强策略来更有效地实现二维多视图信息的一致性对比学习，进一步学习了二维多视图的多层次不变性。MM-Point 在各种下游任务中展现出最先进的性能，如在合成数据集 ModelNet40 上达到了 92.4% 的峰值准确率，在真实数据集 ScanObjectNN 上达到了 87.8% 的最高准确率，与全监督方法可媲美。此外，我们还展示了它在少样本分类、三维部分分割和三维语义分割等任务中的有效性。

Feb, 2024

本文从概率图形模型角度研究了多边际最优输运问题。当最优输运的成本允许图形结构时，我们指出了二者之间的一个优雅的联系。特别地，通过熵正则化的多边际最优输运等价于概率图形模型的贝叶斯边际推断问题，其中附加了一些边际分布要求的条件。这种关系一方面扩展了最优输运和概率图形模型的理论，另一方面通过利用贝叶斯推断中成熟的算法，实现了多边际最优输运的快速算法。还提供了几个数值例子以突出结果。

Jun, 2020

通过引入多视图联合模态建模方法，该研究论文提出了一种名为 JM3D 的新方法，以解决 3D 表示学习中的信息降解和不足协同问题，并在零样本 3D 分类任务上取得了领先于现有方法的性能。

Aug, 2023