Implement LAVA method

Implement Just, Hoang Anh, Feiyang Kang, Jiachen T. Wang, Yi Zeng, Myeongseob Ko, Ming Jin, and Ruoxi Jia. [Lava: Data valuation without pre-specified learning algorithms.](https://arxiv.org/abs/2305.00054) arXiv preprint arXiv:2305.00054 (2023).

The paper's code can be found in [this repository](https://github.com/ruoxi-jia-group/LAVA).

To compute Optimal Transport we can use either [POT](https://pythonot.github.io/) and/or [GeomLoss](https://www.kernel-operations.io/geomloss/). The latter is Pytorch specific whereas the former isn't.

Lisez l’article LAVA lié ainsi que son dépôt GitHub pour comprendre l’algorithme. Examinez les modules existants de valorisation des données de pyDVL afin d’identifier les modèles d’intégration. Déterminez s’il faut utiliser POT ou GeomLoss pour Optimal Transport, en tenant compte des dépendances du projet. L’implémentation nécessitera de concevoir un nouveau module, d’écrire des tests et de documenter la méthode.

Rédigé par le modèle d'indexation à partir du texte de l'issue.