Wasserstein Distance（瓦瑟斯坦距离），也称推土机距离，是度量两个概率分布之间差异的数学工具，直观上可以理解为把一个分布“搬运”成另一个分布所需的最小代价。由于它对分布的几何结构敏感，在生成模型评估、最优传输理论和随机优化分析中被广泛使用。近期的研究热点集中在围绕它建立更紧的理论界，以及降低高维情形下的计算成本。
Wasserstein Distance 近期进展
当前焦点与观察点
从近期文献看，围绕 Wasserstein Distance 的工作大致沿三条线展开。其一是生成模型理论：扩散模型成为主要分析对象，研究者希望把生成分布与真实分布之间的 Wasserstein 误差界逐步收紧，Föllmer 过程等随机控制工具正被引入这一方向。其二是优化与采样算法：变分推断和 SGD 的收敛性证明越来越多地采用 Wasserstein 收缩框架，以绕开传统 KL 散度分析的局限。其三是计算统计：高维下 Wasserstein Distance 的经验估计存在众所周知的维数灾难，如何压缩样本复杂度与计算量之间的权衡仍是开放问题。
此外，Wasserstein Distance 也出现在一些交叉场景中，如风场超分辨率的拓扑启发微调和均值场 Transformer 的集中性分析，显示它正从最优化理论渗透到更广的机器学习应用。值得关注的观察点包括：Wasserstein 界的常数是否可实际计算、估计方法能否在深度学习评估指标中稳定落地，以及与自由熵统一等基础数学问题的交叉是否会带来新的争议。总体而言，该领域目前以理论精细化为主，尚未出现颠覆性的方法论转向。