本文提出了一种期望损失正则化神经最优输运（ENOT）方法，通过正则化共轭势，解决了现有神经最优输运的瓶颈问题。ENOT在Wasserstein-2基准任务中表现优异，质量提高3倍，运行时间提升10倍。此外，研究探讨了引入强凸项的正则化方法，以实现稀疏输送计划，并展示了在颜色转移任务中的应用。

本文提出了一种新方法“视角不变对抗训练（VIAT）”，旨在通过最小化期望损失来增强图像分类器的视角鲁棒性。实验结果表明，VIAT显著提升了分类器在不同视角下的性能，并基于GMVFool生成了多样的对抗视角，以验证其有效性。