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

本研究利用一种新的方差降低技术，提出两种随机Frank-Wolfe算法变体，可在小于梯度下降算法的数据梯度评估次数下，获得更好的结果。

Feb, 2016

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

本文介绍了一种零阶Frank-Wolfe算法，用于解决约束随机优化问题，该算法与基本Frank-Wolfe算法同样无需投影，且不需要计算梯度，可收敛于凸平滑约束下的优化目标函数。同时，本算法在具有每次迭代一个方向导数的所有零阶优化算法中具有最优维度依赖性。对于非凸函数，本算法的Frank-Wolfe gap为O(d^{1/3}T^{-1/4})，并在黑盒优化设置上进行实验，证明了其效果。

Oct, 2018

本文探讨了强凸约束条件下的Frank-Wolfe（FW）优化，展示了一个比标准FW更快的变体的更快收敛速度，证明了即使对于非凸而是半凸和局部Lipschitz的平滑函数，FW也可以通过线搜索收敛到全局最优解，并且展示了在强凸约束集下，对于一般情况（平滑）的非凸函数，FW带有线搜索以高概率收敛到一个$O(1/t)$的速率上。

Nov, 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

本文提出了一种加速的随机零阶Frank-Wolfe优化算法，通过使用SPIDER/SpiderBoost技术和一种新的动量加速技术，它可以在非凸优化中实现O(d√nε⁻²)的函数查询复杂度，并改进了现有最佳结果，同时在随机问题中实现了O(dε⁻³)的函数查询复杂度，同时提出了基于STORM的Acc-SZOFW *，它不需要大批量也可以达到与Acc-SZOFW相同的函数查询复杂度。

Jul, 2020

通过改进多步骤的Frank-Wolfe方法和LMO-平均方案使用一阶和高阶离散方案，从而减少离散化误差，其局部收敛速率通过一般凸集可以加速从O(1/k)到O(1/k^​{3/2})，改善Frank-Wolfe算法的收敛速度。

Apr, 2023