Zespół badaczy zaproponował nową metodę wyrównywania reprezentacji z zaledwie kilkoma setkami sparowanych przykładów, co stanowi znaczący postęp wobec tradycyjnych podejść wymagających milionów par. Zamiast pracy z całością danych, metoda wyraża każdą reprezentację poprzez podobieństwa do N sparowanych punktów anchorowych, tworząc wspólny system współrzędnych dla obu modalności. Kluczową innowacją jest zastosowanie optymalnego transportu entropowego nad całą pulą danych, gdzie ograniczenia marginalne skutecznie eliminują problem hubness'u, który tradycyjnie pokonuje metody najbliższych sąsiadów.
Procedura wymaga sparowania danych tylko dla zestawu anchor'ów - niesparowane kolekcje mogą pochodzić niezależnie z obu marginalnych rozkładów. To oznacza, że żaden element spoza zestawu anchor'ów nie musi mieć obserwowanych obie swoje modalności. Po rozwiązaniu problemu transportu optymalne przyporządkowanie jest destylowane do dwóch lekkich koderów, co czyni korespondencję indukcyjną i praktyczną w zastosowaniu.
Wyniki eksperymentów na benchmarkach Flickr30k, MS-COCO i ChEBI-20 potwierdzają skuteczność podejścia w zadaniach wyrównywania obraz-tekst oraz molekuła-tekst. Metoda istotnie przewyższa istniejące rozwiązania przy tym samym budżecie anchor'ów, co otwiera nowe możliwości dla wyrównywania reprezentacji w scenariuszach, gdzie zebranie dużych zbiorów sparowanych danych byłoby praktycznie niemożliwe.