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

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

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

本文研究非凸随机优化和有限和优化问题中的Frank-Wolfe方法，并提出基于方差约减技术的新型非凸Frank-Wolfe方法，证明了其具有比传统方法更快的收敛速度。

Jul, 2016

本文提出了一种名为Frank-Wolfe Augmented Lagrangian (FW-AL)算法的优化方法，该算法利用线性一致性约束来优化在相交凸集中的光滑函数，仅需要对单个约束的线性最小化预言机进行访问，并证明了该算法在一般凸紧集和多面体上的收敛率。

Apr, 2018

本文提出了一种称为1-SFW的新的随机Frank-Wolfe算法，通过设计一种新颖的无偏动量估计器，实现了使用每次迭代的单个样品来优化，而无需仔细调整批量大小、步长、学习速率和其他复杂的超参数，并在随机凸优化、随机DR亚模拟最大化问题和一般的非凸设置中达到了最优收敛率。

Oct, 2019

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

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

本研究旨在提高解决基于最大后验马尔可夫随机场的LP松弛的问题的效率，并提出了一种基于面内Frank-Wolfe方向的高效实现方法，实验结果表明，该方法是当前某些问题类的最先进LP解决器。

Oct, 2020

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