提出了一种改进的条件梯度方法来解决约束凸优化问题，针对多面体进行了相应的分析及优化，降低了每次迭代时的计算及内存开销，并在实际中通过对图路径、二分图完全匹配、结构预测任务中的边际分布等多样化问题进行测试并呈现出其卓越表现。

May, 2016

我们提出了一种随机梯度框架，用于解决具有（可能）无限数量的线性包含约束条件的随机复合凸优化问题，而这些约束条件需要几乎确定。我们使用平滑和同伦技术处理约束条件，无需矩阵投影，并且通过数值实验表明，我们的算法实现了最先进的实用性能。

Jan, 2019

本文研究了解决光滑的非强凸约束优化问题的一些一阶方法的收敛率，提供了一些松弛的强凸条件并证明了它们对于多种一阶方法的线性收敛是足够的，最后证明了所提出的松弛强凸条件涵盖了求解线性系统、线性规划和线性约束凸问题的重要应用。

Apr, 2015

该论文提出了基于随机条件梯度方法的优化问题求解算法，用于解决大规模维度下的凸函数、连续子模型等多种问题，并证明了当问题维度高时，该方法较与传统的随机梯度下降法更加稳定，同时计算时间复杂度也得到了有效降低。

Apr, 2018

本研究利用简单的对偶算法和相应的误差边界提供了一种新的算法和分析，可以在紧凑型多面体集上最小化一个包含线性和强凸函数和线性转换组合的函数，同时具有线性收敛速度和附加线性项，允许通过条件梯度方法求解。

Apr, 2015

本文研究了节点网络上的去中心化在线随机非凸优化。通过将梯度跟踪技术集成到去中心化随机梯度下降中，我们证明了该算法具有一定的优势，并分析了其有效性和性能。同时，对于满足 Polyak-Lojasiewics 条件的全局非凸函数，我们确定了 GT-DSGD 的线性收敛性，并且在几乎每条路径上具有最优的全局亚线性收敛速度。

Aug, 2020

介绍了一种不需要强凸性条件的梯度下降算法，并针对机器学习中的各种问题提供了新的分析方法和收敛证明。

Aug, 2016

本研究考虑具有强凸（但不一定平滑）目标函数的随机凸优化问题，我们提出一种仅使用梯度更新的算法，具有最优的收敛速度。

Jun, 2010

提出了一种混合条件梯度方法，可用于在多面体 P 上最小化平滑凸函数，该方法结合了 Frank-Wolfe 算法和基于梯度的步骤，并通过保持迭代点为 P 的极端点的有限数量的稀疏凸组合，避免了向 P 投影的优点，实现了强凸函数的线性收敛。

May, 2018

本文探讨了一类名为线性优化型凸规划算法的迭代优化算法，证明了它们解决一系列滑顺、非滑顺和某些鞍点问题的低复杂度下界； 验证了在大规模情况下，条件梯度法及其变种求解不同类别的凸规划问题的理论最优性或接近最优性； 推出了几种新的最优 LCP 方法，并通过修改 Nesterov 的加速梯度方法，证明了它们在解决一些大规模凸规划问题的特定类别时的优势。

Sep, 2013