本文提出了一个新的在线凸优化框架，能够利用过去的决策历史对当前损失进行建模，并引入了 “p 有效内存容量” 来量化过去决策对当前损失的最大影响。在此框架下，证明了一些政策遗憾的较好上界，并展示了该框架对于各种在线学习任务的适用性。

Oct, 2022

本论文提出采用 Frank-Wolfe 技术的高效在线学习算法，避免了投影步骤，同时在在线凸优化方面获得了一系列遗憾界，特别是在随机在线平滑凸优化方面。此外，我们的算法具有参数自由性和产生稀疏决策的优点，并将算法应用到协作过滤的计算密集型应用中，并在标准数据集上显示出理论上的改进。

Jun, 2012

研究了在线学习问题中的限制，提出了基于 Follow-the-Perturbed-Leader 的投影法之外的高效项目方法，其保证了平滑成本函数和每个迭代中一个线性优化计算的一般在线凸优化中的 $T ^ {2/3}$ 后悔界。

Jan, 2020

本文提出了两种有效的投影不等式在线方法 ORGFW 和 MORGFW 来解决随机和对抗性在线凸优化问题，并采用递归梯度估计器达到了优秀的后悔度边界（至多对数因子），同时具有低的每次迭代计算成本。实验结果表明，在效率方面，与现有技术相比，所提出的方法更加高效。

Oct, 2019

我们研究了经典的在线凸优化（OCO）框架的一种推广，通过考虑额外的长期对抗性约束。我们提出了一种元策略，能够同时达到亚线性的累积约束违规和亚线性的遗憾，通过将约束问题转化为递归构建的一系列代理代价函数的标准 OCO 问题的黑盒减缩。我们展示了通过使用任何享有标准数据相关遗憾上界的自适应 OCO 策略求解代理问题，可以达到最优性能界限。通过一种新的基于李雅普诺夫的证明技术，我们揭示了遗憾和某些顺序不等式之间的联系，通过一种新颖的分解结果。最后，我们强调了在在线多任务学习和网络控制问题中的应用。

Oct, 2023

该论文探讨了在线凸优化涉及敌对损失函数和敌对约束的情况，开发了一种修改的在线鞍点（MOSP）方案，并在动态网络资源分配任务中进行了应用，证明了其相对于梯度方法的性能优势。

Jan, 2017

本研究中，我们在边缘学习方面进行了调查，探讨了在线凸优化问题下的对抗性延迟反馈，提出了两种无投影算法，用于集中式和分布式环境中，通过与现有方法在真实世界问题上的比较，我们理论上和实验证明了算法的性能，实现了延迟环境中 OCO 问题的 O (√B) 的后悔界。

Feb, 2024

该论文提出了一种新颖的元 Frank-Wolfe 算法及其简化版 One-Shot-Frank-Wolfe，用于对在线优化进行全局和子模最优解的快速求解。其方法基于梯度下降实现，通过随机梯度估算和孪生逼近算法来降低收敛难度。

Feb, 2018

探讨在线变体的 Frank-Wolfe 算法，包括简单迭代更新和非自适应步长规则，研究凸和非凸损失的多个新结果，并基于对随机 Frank-Wolfe 算法的改进分析得出在强凸随机成本时的遗憾界和任何时刻的最优性为 O (log^3T/T) 和 O (log^2T/T) ; 此外，该在线算法即使在损失非凸的情况下也能收敛，以速率 O (1/T 的平方根) 找到时变 / 随机损失的稳态点。

Oct, 2015

优化非稳态动态损失和自适应损失的有效方法涉及非稳态在线学习的减少投影和梯度查询次数，在参数自由在线学习的基础上进行了非平凡的改进。

Sep, 2023