该文章提出了一种基于最优输运的测度，利用仅在测试时可用的信息来估计机器学习模型在未知领域的性能。经过经验评估，证明了该测度在选择源数据和架构以获得最佳未知领域数据性能以及在测试时预测已部署模型在未知领域的性能方面的效用。与流行的预测熵测度相比，该测度在相关性方面表现更好。

该研究提出了一种基于梯度流的无参数算法，用于学习复杂数据集的潜在分布和从中进行抽样。该算法建立在隐式生成建模与最优输运之间的联系理论基础上，并通过泛函优化问题的方式得以实现。实验结果表明，该算法能够成功地捕捉不同类型的数据分布结构。

该论文提出了一种新的方法，利用Schr"odinger桥问题和熵惩罚的最优输运之间的等价性来探究二者间的对偶性。该方法适用于多个数据边缘的情况，并证明了Sinkhorn算法的新的收敛性质。