№transport·general
Transport
别名
- 首次出现
- 2026-05-22
- 最近出现
- 2026-06-18
- 累计提及
- 12
§ 01综述
最优传输（Optimal Transport, Transport）是一种数学框架，用于度量概率分布之间的差异并找到最小代价的映射方案，近年成为机器学习中分布对齐、生成建模等任务的核心工具。
最优传输近期进展
基于正-无标记学习的LLM评估量化与审计：该研究将最优传输思想用于评估大语言模型，通过正样本和无标记样本构建分布差异度量，实现对模型输出质量的自动化审计，拓展了Transport在可信AI中的应用。 原文标题
RLDT：用强化学习微调流匹配策略，密度传输对齐奖励区域：提出将强化学习与流匹配结合，通过密度传输过程逐步对齐生成样本与奖励目标区域，显著提升图像生成任务的采样效率和多样性。 原文标题
CDOT：首个凸最优传输框架，对齐异构域分布并保持几何结构：CDOT首次在凸优化框架下实现异质域间的最优传输，同时保留原始数据的几何特征，解决了传统方法对分布假设的严格限制。 原文标题
当前焦点与观察点
当前最优传输研究的焦点集中在三个方向：一是如何降低高维空间中的计算复杂度，使Transport能够应用于大规模数据；二是结合强化学习、因果推断等范式，增强对齐过程的鲁棒性和语义可控性；三是发展非欧几何空间下的传输理论，以适应图、流形等复杂数据结构。值得注意的是，Transport在AI安全与评估中的潜力正在被挖掘，如通过分布差异检测模型偏见或异常输出。然而，其理论解释与实际效果之间的鸿沟仍需弥合，特别是在深度生成模型中，传输映射的平滑性和可解释性仍是开放挑战。