通过提出一种新的结构化非凸 - 非凹 min-max 优化问题类，引入了一个泛化的外推方法，该方法证明收敛到一个稳定点。这种算法不仅适用于欧几里得空间，还适用于一般的 l p-norm 有限维实向量空间，同时对其在随机 oracle 条件下的稳定性和样本复杂度提供了边界。

Oct, 2020

本文概述了一种重要的 min-max 问题子类的最新进展，其中最小化和最大化问题可以是非凸和 / 或非凹的，包括诸如 fair beamforming、 training generative adversarial networks (GANs)， robust machine learning 等广泛应用，强调了该问题的重要性并讨论了该问题的理论挑战，同时提供了解决非凸 min-max 问题的最新理论和算法进展的选定回顾，并指出了未来的研究方向和待解决问题。

Jun, 2020

本研究考虑了一类非凸非凹极值问题的一阶收敛理论和算法，它在机器学习中有广泛的应用，包括训练生成式对抗网络（GAN）。我们提出了一种算法框架，通过解决一系列强单调变分不等式，证明了所提出的方法的一阶收敛性和收敛率，并在 GAN 的训练中证明了所提出的算法的有效性。

Oct, 2018

本文通过分析优化问题的计算复杂性，阐明了一系列非凸非凹目标函数的约束极值优化问题存在的困难，同时证明了该问题在 Nemirovsky-Yudin 模型中的难度，这与最小化问题在同样设置下可以使用 Projected Gradient Descent 进行近似局部最小值的行为形成了对比。

Sep, 2020

本文针对非凸凹的情况，在最小极大问题中应用交替梯度下降方法找到临界点并证明了一种新的全局收敛速率。

Jul, 2020

通过算法稳定性的视角，对凸凹和非凸非凹情形下的随机梯度方法在极小极大问题中的泛化能力进行了全面的分析，建立了稳定性与泛化能力之间的定量联系。在凸凹情形下，稳定性分析表明了随机梯度下降算法对于平滑和非平滑的极小极大问题皆可达到最优的泛化界。我们还确定了泛函弱凸弱凹和梯度占主导地位的问题的泛化界。

May, 2021

本文阐述了机器学习中的非凸优化问题和直接方法在此领域的成功应用，旨在介绍这一领域的文献和分析非凸问题的简单程序工具。

Dec, 2017

本文提出了一种基于加速的近端点方法和最小值近端步求解器的算法，其梯度复杂度为 O（kappa_x kappa_y^0.5），匹配了已有的最优下界，可用于解决强凸强凹、凸凹、非凸强凹和非凸凹函数的问题。

Feb, 2020

本文提出一族算法通过简单的随机模型样本和优化方法，成功的减少了目标函数。我们展示出，合理的近似质量和模型的正则性下，此类算法将自然的稳定度衡量推向 0，该衰减速度为 O (k^(-1/4))，基于此原理，我们为随机的近端子梯度法，近端次梯度法以及规则化的高斯牛顿法等提供了第一个复杂性保证。

Mar, 2018

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