Wasserstein距离是基于最优传输理论定义的概率分布度量，近年来在机器学习和人工智能领域被广泛用于分布对齐、生成模型和鲁棒优化等任务。以下是结合近期arXiv预印本对该概念的现状与趋势的总结。
Wasserstein近期进展
当前焦点与观察点
当前Wasserstein距离的研究焦点主要集中在三个方向：一是理论保证与算法收敛性，特别是其在强化学习策略优化中的作用；二是高效计算框架的构建，如CDOT和ITSPACE（ITSPACE：一种单调高斯最优传输更新方法）；三是与其他领域（如扩散模型、模拟硬件）的结合。值得注意的趋势是，Wasserstein距离正从单纯的分布度量工具演变为模型设计的核心部分，例如在鲁棒优化中直接作为不确定性集的定义基础。然而，数值稳定性与计算效率仍是实际应用中的关键挑战。