本文介绍了通过应用已知算法到原问题的复合平滑近似，获得无约束或线性约束的复合非凸凹、极小极大（因而是非光滑的）问题的近似稳定点的平滑方案。具体而言，在无约束（resp. 有约束）的情况下，通过应用作者先前提出的加速不精确近端点算法（resp. 二次罚项）到其复合平滑近似，获得原问题的近似稳态点。同时，还建立了两个平滑方案的迭代复杂度界。最后，给出了数值结果，以展示无约束平滑方案的效率。

May, 2019

我们提出了一种新的近端 - 梯度方法，用于最小化可微、可能非凸的函数加上凸、可能非可微的函数，并探讨了度量可能在每次迭代中改变，近似计算近端点并给出充分条件的可能性。我们还展示了这个方法在图像恢复问题中的竞争力。

Jun, 2015

本文提出了一种高效的近端梯度算法，每个迭代只需要一个不精确（因此更便宜）的近端步骤，收敛于非凸问题的临界点并具有 O (1/k) 的收敛速度，比一阶方法中非凸问题的最佳速度还要快。

Dec, 2016

本文提出了基于可变度量的框架，针对自共轭（self-concordant）函数和可能非平滑凸函数之和的问题，提出了一种易于计算的近端算子。通过利用问题的结构，本文建立了分析式的步长选择和校正过程，并在几个有趣的应用上展示了这一框架的具体算法实例和其在合成数据和真实数据上的数值结果。

Aug, 2013

本文研究鲁棒相位恢复问题，提出了一种新的非精确近似线性算法，通过两个自适应停止准则解决子问题。在合成和实际数据集上的实验证明，该方法比现有方法（如原始近端线性算法和次梯度法）更为高效。

Apr, 2023

本文研究了机器学习中基于不光滑正则化的各种优化问题，并提出了三种不精确的近端梯度算法，包括基本版本和 Nesterov 加速版本。理论分析表明，我们的不精确近端梯度算法可以在非凸情况下具有和精确近端梯度算法相同的收敛速度。实验结果证实了新算法在三个代表性非凸学习问题上的优越性。

Dec, 2016

该研究提出了具有惯性 / 存储效应的前后向近端算法，用于在非凸环境中最小化一个不光滑函数与一个光滑函数的总和。该算法生成的迭代序列收敛于目标函数的临界点，前提是目标函数的适当正则化满足 Kurdyka-Łojasiewicz 不等式，这对于半代数函数来说是成立的。通过两个数值实验说明了理论结果：第一个实验涉及恢复非凸优化问题的本地最优解的能力，而第二个实验涉及模糊图像的恢复。

Oct, 2014

本文研究了一种二次罚函数加速的不精确近端点法迭代复杂度，用于求解线性约束下的非凸组合规划问题。作者证明了该方法能够在加速梯度下降法的基础上，有效地生成近似极小点。数值结果表明该方法的有效性。

Feb, 2018

本文研究了求解由平滑强凸函数和可得到其 Proximal 算子的非光滑凸函数组成的函数和的最优收敛速度，并利用半定规划等工具，建立了 Proximal 梯度算法的准确最坏情况收敛速度，同时提出可将强凸性等条件放宽以保证相应的收敛速度，得到了三种性能度量的同一步长最优的证明。

May, 2017

研究交替近端最小化算法在非凸结构函数中的应用，证明其收敛性质，并提供压缩感知和秩降问题的具体应用。

Jan, 2008