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

通过动态形式化的最优输运，结合底层几何学（动能）选择和密度路径（势能）的正则化，构造了多种变分问题（Lagrangians），包括 Schrödinger 桥、非平衡最优输运和具有物理约束的最优输运等。采用双重 Lagrangians 的对偶形式提出了一种新颖的基于深度学习的统一框架，无需模拟或反向传播经过学习动力学的轨迹，并且不需要访问最优耦合。通过在单细胞轨迹推断中融入先验知识，展示了所提框架的多功能性能，从而在正确预测方面优于先前方法。

Oct, 2023

该研究介绍了一种基于神经网络的算法，用于计算强和弱输运成本的最优输运图和计划，并证明了神经网络是概率分布之间传输计划的通用逼近器。通过在玩具示例和非成对图像翻译上评估我们的最优输运算法的性能。

Jan, 2022

本文探讨了在概率测度空间 P（X）中，使用最优传输（Wasserstein）几何将被限制为该度量下的测地线段的曲线，以高效地总结该系列测度。我们展示了在最优传输几何中，重要概念可以通过使用 Wasserstein 平均值和微分几何，找到自然的等效物。然而，应用这些想法是具有挑战性的。为了处理数千个测度和实现可扩放的算法，我们建议使用放松的测地线定义和正则化的最优传输距离。本文的方法在将图像视为形状或颜色直方图方面具有重要意义。

Jun, 2015

通过优化传输度量，在嵌入 Hilbert 空间的流形上估计一种衡量方法，并将量化优化和学习理论联系起来，为无监督学习中经典算法（k-means）的性能提供新的概率界限。在分析的过程中，我们得出了新的下界和概率上界，这些上下界适用于广泛的测度范围。

Sep, 2012

该论文提出了一种通过噪声数据推断未知成本的方法，利用了前向最优传输问题和随机数生成方法作为基础，探讨了其在国际迁移流问题上的应用和不确定性量化。

May, 2019

本研究针对非紧致流形，展示了如何获得用于紧致流形上展示 Monge 传输问题的结果，其中成本来自于 Tonelli Lagrangians。 特别地，已知类型为 d^r（r> 1）的成本的结果，在没有任何曲率限制的情况下成立，其中 r 是完全 Riemannian 流形的 Riemannian 距离。

Nov, 2007

本研究提出一种迭代方法来高效地解决一类严格凸代价函数的最优运输问题，该方法包括二次和 p 次幂代价函数。我们针对两个定义在离散网格上的概率分布，使用 O (n) 的存储空间和 O (n log (n)) 的操作量计算最优映射，具有近似指数收敛速度。该方法能够在几分钟内解决空间网格大小达到 4096x4096 和 384x384x384 的最优运输问题。

May, 2019

本文介绍并讨论了通过最优输运的框架，从欧几里得空间中的点扩展到概率测度中的样条曲线，以此解决（经验）概率测度平滑插值的问题。

Jan, 2018

该研究提出了一个基于最优传输模型的算法，用于从共同的黎曼流形上的横截面概率分布样本中学习度量张量，并证明所提出的算法可以提高 scRNA 和鸟类迁徙数据上的轨迹推断质量。

May, 2022