在本文中，我们描述了一种新的迭代过程，称为SISTA，以学习最优运输问题的潜在成本。SISTA是两种经典方法的混合，坐标下降(“S”-inkhorn)和近端梯度下降(“ISTA”)。它在运输潜力的精确最小化阶段和运输成本参数的近端梯度下降阶段之间交替。我们证明了这种方法是线性收敛的，我们在模拟的例子中说明，它明显快于坐标下降和ISTA。我们将其应用于估计一个移民模型，该模型使用国家特有的特征和国家之间的差异的成对测量来预测移民的流动。这个应用证明了机器学习在定量社会科学中的有效性。