本文通过在 GPU 上建立 ADMM 的求解器来加速大规模优化问题的求解，实现了高效地利用算力提高求解速度，并与 CPU 实现相比，速度提高了数十倍。

Dec, 2019

本文旨在通过寻找最优算法参数，最小化 ADMM 迭代的收敛因子，来定量表征算法参数对于优化收敛时间的影响。我们在 L2 正则化最小化和约束二次规划的背景下，得出最优参数选择规则，并通过数值实验表明，这些规则显著优于现有文献中的替代方案。

Jun, 2013

本文提出了一种优化交替方向乘子法 (ADMM) 算法的最优缩放方法，针对一类分布式二次规划问题，通过优化 ADMM 步长、松弛参数以及通信图中的边权重，得到算法最小收敛因子。推导出步长、松弛参数和相应的收敛因子的显式表达式，通过数值模拟验证了我们的结果，并强调了优化缩放 ADMM 算法的好处。

Mar, 2013

本文针对解决计算机视觉和机器学习应用中涉及到的非可微目标函数和约束的优化问题所采用的交替方向乘子法，提出了一种自适应的松弛 ADMM（ARADMM）方法，旨在通过自动调节关键算法参数，实现最佳性能而无需用户监管。通过对 ARADMM 进行详细的收敛性分析，并在几个应用实例上展示了其快速实际收敛性能。

Apr, 2017

本文提供了一种更加通用的半迭代交替方向乘子法，以解决线性约束下的凸组合优化问题，并证明该方法具有线性收敛性。同时，文章还说明了该方法在解决多个块的凸优化问题时非常有效，其中凸组合二次规划和二次半定规划是重要的应用之一。

Aug, 2015

本文介绍了一种半线性交替方向乘子法（ADMM）的优化算法，特别适用于求解包含线性相等约束、半正定锥和简单凸多面体集约束的凸二次半定规划（QSDP）问题，通过实验验证了算法的有效性。

Sep, 2014

本文研究了分布式交替方向乘子法，提出了使用不同的优化参数来提高算法性能的方法，并引入了自适应一致性交替方向乘子法来自动调节期权参数，最终获得了 O（1 /k）的收敛速度。

Jun, 2017

本文提出了一种名为 DQM 的去中心化二次逼近方法，旨在减少 DADMM 求解优化子问题所需的计算时间，其以线性速率收敛于最优解，并且其线性收敛系数随时间呈线性趋势，数值结果也证明了 DQM 的有效性。

Oct, 2015

提出一种新颖的框架 AADMM，用于加速线性化交替方向乘子法 (ADMM)，对于一类具有线性约束的凸复合优化问题，AADMM 的收敛速度比线性化 ADMM 更快，而且当相应的鞍点问题有解时，AADMM 能够处理无边界的可行域，并提出了一种回溯算法来提高实际性能。

Jan, 2014

本文为非凸优化问题提供一种广泛适用的解决方法，即交替方向乘子法（ADMM），并研究了其在不同领域的实用性，包括线性回归、图像降噪、相位恢复及特征向量计算， 最近从提出的自适应 ADMM 方法可以通过自动调整惩罚参数来提高算法效率和解决质量 compared to ADMM with a non-tuned penalty。

Dec, 2016