本文提出了一种异步并行随机坐标下降算法，它具有线性收敛速率和 $1/K$ 的次线性速率，可实现基于多核系统的近线性加速，并取得了在 40 核处理器上的实现结果。

Nov, 2013

本文提出了一种分布式随机块坐标下降方法来最小化具有大量变量 / 坐标的凸函数，并分析了其复杂度，其中局部块可分的光滑部分直接影响了其复杂度，进一步扩展了已有研究成果，该方法在分布式环境下的实现还使用了集群计算和计算同步等技术。

Jun, 2014

本文提出一种异步并行随机近端坐标下降算法，用于最小化由光滑凸函数和可分离凸函数组成的复合目标函数，并给出在多核处理器上的实现结果。

Mar, 2014

本文提出一种新的针对分离结构和非强凸函数的凸凹鞍点问题的高效随机块坐标下降方法，采用自适应原始 - 对偶更新方法，可灵活地并行优化大规模问题。该方法在多个机器学习应用中均有显著提高，包括鲁棒主成分分析、Lasso 和通过组 Lasso 进行特征选择等。在理论和实际上，我们证明了该方法在所有这些应用中都具有明显优势。

Nov, 2015

本篇论文提出了一种新的随机坐标下降方法，能够并行、加速和提高期望可分超逼近，此方法能够同时最小化依赖于少数坐标的多个凸函数的和，通过使用新的安全且大的步长，使得该方法不需要执行完整的矢量运算。

Dec, 2013

通过开发随机块坐标下降法，我们证明该方法能够以概率至少为 1-rho 获得 Epsilon - 准确解，其迭代次数不超过 O (n / Epsilon*log (1/rho))，并且将前人研究的复杂度缩小 4 倍，消除了对数项中的 Epsilon，并成功地解决了 l1 正则化最小二乘和支持向量机等问题。

Jul, 2011

本文提出了一种并行坐标下降算法，用于解决具有可分离约束的光滑凸优化问题，在线性网络系统的分布式模型预测控制（MPC）中可能出现。我们的算法基于块坐标下降更新，并具有非常简单的迭代。我们证明了该算法在光滑凸优化的标准假设下具有（次）线性收敛率。此外，我们的算法使用本地信息，因此适用于分布式实现。此外，它具有较低的迭代复杂性，适用于嵌入式控制。我们派生了一个基于这种新并行算法的 MPC 方案，其中网络中的每个子系统都可以使用分布式和廉价的计算来计算可行的和稳定的控制输入。为了确保 MPC 方案的稳定性，我们使用从分布式合成中派生的终端成本公式。初步的数字测试显示我们的优化算法比其他现有方法具有更好的性能。

Feb, 2013

本文介绍了基于随机块坐标梯度下降的并行优化算法，能够快速高效地解决大规模线性可分凸问题在网络结构上的应用，收敛速率与更新组件 $ au$ 线性相关，并探讨了稀疏半定规划解法和具体应用。

Apr, 2015

本论文提出了一种基于多核并行处理技术和凸逼近的近似并行块协调下降（BCD）方法，并研究了该方法的收敛性，结果表明在 Lasso 问题的特定情况下，循环块选择规则优于随机规则。

Jun, 2014

本文提出了一种高效的分布式随机坐标下降算法，用于最小化正则化的非强凸损失函数，并经过在英国最大的超级计算机 Archer 上的实现，表明该算法可以有效解决一个具有 500 亿个变量的 LASSO 优化问题，具有 O (1/k^2) 的收敛速度。

May, 2014