本文研究了 Frank-Wolfe 算法，提出了几个变体并分别给出了全局线性收敛性证明，证明了不同算法的收敛速度取决于几何量与条件数的乘积，这些算法在机器学习，子模优化等领域取得了实际应用。

Nov, 2015

本文介绍了两种新的 Frank-Wolfe 算法变体，用于随机有限和最小化。这些方法在凸和非凸目标函数方面，都具有最佳的收敛保证。同时，本文提出的两种方法都不需要永久收集大批量数据和完整确定性梯度，可用于优化机器学习等领域中的结构约束问题。

Apr, 2023

使用线性 oracle 解决自协调约束优化问题，并提供数值结果表明 Newton Frank-Wolfe 在组合优化比例、D - 最优实验设计和 logistic 回归等方面表现优异。

Feb, 2020

本研究将 Frank-Wolfe 算法拓展至解决约束光滑凸 - 凹鞍点问题，只需要访问线性最小化神谕。通过利用 FW 优化的最近进展，我们首次证明了 FW 类型的鞍点求解器在多面体上的收敛性，并探讨了其他收敛结果和 FW 算法理论基础的缺口。同时，通过应用结构化预测与组合惩罚以及涉及指数数量的匹配多面体游戏等问题的研究，探讨了没有已知有效替代方案的潜在应用。

Oct, 2016

通过使用近端原始对偶算法和 Frank-Wolfe 算法，结合线性最小化 oracle 和低效率近端图来求解包括离散优化问题松弛之后的凸凹鞍点问题 —— 一个优化复杂且具有挑战性的问题，本文展示了该算法在诸如机器学习和计算机视觉等方面的标签问题上的应用。

Jan, 2021

研究使用 Frank-Wolfe 算法解决无显式奖励函数的 Markov 决策过程中的学徒学习问题，提出将专家的特征期望投影到特征期望凸多面体上，使用凸优化的 FW 算法来优化目标函数，得到更紧的收敛界，尤其是当采用 “步进调整” 方法时，收敛速度线性快于 FW 算法，并且增加随机性能够避免对特征期望的精确估计。

Nov, 2019

在本篇论文中，我们考虑了在强凸集上进行的优化的特殊情况。我们证明，与一般情况的收敛速度为 1/t 相比，vanila FW 方法以 1/t² 的速度收敛。我们还展示了如何通过在这些集合上进行线性优化来推导 FW 方法的多个快速收敛结果。

Jun, 2014

通过理论建立不同变体的 Frank-Wolfe（FW）算法的自适应步长，对一些机器学习及物理学问题，能够得到无需映射和保留稀疏性的优化，且对于具有无限曲率的自共轭函数，也可以获得全局收敛速率为 O (1/k) 或线性收敛速率的新的 FW 方法。

Feb, 2020

本文表明，强凸集上使用 Frank-Wolfe 方法并加入步长搜索可以自适应地适用于问题的错误界限条件，从而获得更快的收敛速度。

Oct, 2018

本文提出了一种新的 Frank-Wolfe (FW) 算法，可用于具有不光滑凸目标的最小化问题。该算法对包括 1-median、平衡发展、稀疏 PCA、图割和 L1 正则化支持向量机 (SVM) 在内的各种机器学习问题提供了核心集结果，它在时间复杂度上提供了近似解，不依赖于输入问题的大小。除了这些理论结果，我们还在实验中表明了该算法非常实用，有时也在处理大问题实例时提供重大的计算优势。

Aug, 2017