通过采用深度展开方法，我们提出了展开的 D-ADMM 算法，它在每个代理之间仅交换了固定数量的消息，有效地减少了 D-ADMM 中的通信数量，同时保持了算法的可解释性和灵活性。我们将展开的 D-ADMM 算法应用于分布式估计任务和分布式学习场景，并证明了该方法在保持性能的同时显著减少了通信开销。

Sep, 2023

本研究提出了一种名为 R-ADMM 的新方法，它可以在分布式系统中，通过每个偶数迭代时应用线性近似，同时只使用上一个奇数迭代的结果来计算，从而减少了计算量和隐私泄露，并根据目标扰动提供了隐私分析等.

Oct, 2018

本文针对凸优化问题提出一种基于并行与分布式求解算法的改进 ADMM 方法，通过将原问题分解为多个子问题来进行求解，在满足一些充分的条件下， 该算法收敛性得到了保证，并且在实验中得到了验证。

Dec, 2013

本文提出了一种用于处理分布式学习中固有分布或纵向分区的特征的风险最小化方法的 ADMM 共享框架，介绍了新颖的差分隐私 ADMM 共享算法，并通过精心设计的噪声扰动对隐私保证进行了约束，其实验结果表明所提出的 ADMM 算法具有高效的收敛性和鲁棒性，并在高维特征空间的数据集上表现出优势，尤其是相对于梯度方法。

Jul, 2019

该论文提出了一种面向一般线性观测模型中低秩张量逆问题的新统一优化算法，该算法支持多种低秩张量分解模型和基本损失函数，并提出了基于交替方向乘子法向和主化极小化方法的优化算法。通过该算法可以解决广泛的应用，并且可以轻松扩展到任何已建立的张量分解模型。

Dec, 2023

本文探讨了在信号处理等领域中出现的多智能体分布式共识优化问题，并提出了与经典共识子梯度方法相比，收敛速度更快但计算复杂度更高的 ADMM 算法。同时，通过引入一步不精确计算的方法，降低了 ADMM 的计算复杂度，并证明了该算法具有良好的收敛性能。

Feb, 2014

本文研究了基于 ADMM 的分布式优化方法，提出了一种异步 ADMM 算法，可以有效提高分布式计算的时间效率，同时通过对算法参数的适当选择，可以保证算法收敛到 Karush-Kuhn-Tucker（KKT）点集。

Sep, 2015

本研究提出了一种交替方向乘子法（ADMM），该方法可以解决优化成对函数的非凸问题，适用于图像分割等领域，可以将问题分解为多个小的子问题，并通过一个新的约束条件保证了子问题的一致性，通过迭代求解子问题和更新一致性变量来加速收敛。

Apr, 2017

提出了一种分布式算法 - 分布式交替方向乘子法 (D-ADMM)，可解决相互连接节点或代理的分离优化问题，该算法已被证明在网络为二分图或所有函数都是强凸时收敛，用于解决信号处理和控制问题时，相较于现有算法将通信频率大幅降低。

Feb, 2012

本文提出一种快速且高效的分布式机器学习框架，名为 Group Alternating Direction Method of Multipliers (GADMM)，该算法在分布式 topology 中解决问题，且与现有算法相比，实现更快的收敛和更高的通讯效率；此外，还提出了 GADMM 的变体，即 Dynamic GADMM (D-GADMM)，并证明了其在时间变化的网络拓扑下的收敛性。

Aug, 2019