_x， c_y， d)=(1-α) ot(μ，ν， d)+α gw(μ，ν， c_x， c_y)，

其中α∈[0，1]是融合参数，d是内容成本矩阵（如||x-y||^p），c_x和c_y是各自模态的内部相似矩阵，

在非欧几里得空间中，比如视觉嵌入的球面流形或语言的超双曲空间，我将度量泛化为riemannian度量

......

不知道这是否能解决您的第一个问题？”

浙大老师点点头：“可以了。”

周昀点点头，将白板上的内容擦去：“好，那接下来我回答您的第二个问题。”

马克笔不断在白板上写下各种奇怪的符号，至少在一些旁听的老师和学生眼里是这样的。

“对于高维嵌入的数值稳定性，维度灾难会导致c_x和c_y的谱不稳定，我引入了谱正则化：对相似矩阵施加核范数罚项，min ||c||*+λ||bsp;- k||f^2

......

这样就能这确保了在噪声环境下，fgw的梯度下降不会发散，实验中在image-1k上的鲁棒性提升了15%。”

浙大老师并没有第一时间回答，而是重新翻到了论文的对应页面，看了一会儿才朝着周昀点了点头，眼里满是对周昀的欣赏：“我没问题了。”

此时，车伟强也放下了手里的笔，朝周昀笑了笑：“周昀同学，你的论文写得非常扎实，理论深度就算是我都有些自愧不如，

不过你能否解释一下关于你在多模态融合中提到的schr?dinger桥框架，在高维嵌入中，你如何处理sb路径优化的非凸性问题以保证收敛？”

旁听学生中有车伟强的学生，当他们看到老师脸上的笑容时，心中浮现出三个字——科幻片！

入学一两年