介绍了一个基于proximal的对偶协调上升方法，该算法框架可以用于多种正则化损失最小化问题，包括l1正则化和结构化输出SVM。我们取得的收敛速度与现有最先进结果匹配并有时超过。

Nov, 2012

本文介绍一种新的算法集合，叫做块贪心坐标下降法，用于解决大规模的L1正则化问题，此算法家族的收敛性分析表明用于此问题的算法可以更好的利用并行计算，此理论收敛性分析得到实际数据实验的支持。

Dec, 2012

本文考虑使用随机块坐标下降方法来最小化一个凸函数，其中关键步骤是更新变量块。现有算法假定为计算更新需要完全解决一个特定子问题。作者在本研究中放宽了这个要求，允许子问题被部分解决，导致一种不完全的块坐标下降方法。本方法将精确更新的最佳结果作为特例，并使用迭代技术和预处理进行进一步的加速。

Apr, 2013

本文主要研究随机块-坐标下降方法在最小化一般光滑凸函数和块可分凸函数的和时的应用，提出一种更加针对性的收敛速度和更好的迭代复杂度，同时针对无约束光滑凸函数极小化问题提出了新的随机评估序列技术并改进了现有算法的收敛速度。

May, 2013

本文介绍了一种基于近端随机对偶坐标上升方法的算法，并演示了如何使用内外迭代过程加速该方法。我们分析了该框架的运行时，并获得了改进各种关键机器学习优化问题（包括SVM、逻辑回归、岭回归、套索以及多类别SVM）的最新结果的速率。实验验证了我们的理论发现。

Sep, 2013

研究了平滑凸函数和凸块可分正则化项求和的最小化问题，提出了一种新的随机坐标下降算法，称为ALPHA，其维护了一个随机的坐标集，可以处理任意的采样，在特殊情况下可以变成梯度下降法，坐标下降法和并行坐标下降法等多种算法，还提供了复杂度分析，可以匹配或改善最佳已知边界。

Dec, 2014

本文探讨了非凸优化中加速近端梯度法及其变体的收敛性，并提出了一种新的变体利用自适应动量和块坐标更新来进一步改进广泛类别的非凸问题中的性能，在稀疏线性回归和正则化中表现出可证明的局部线性收敛性。

Oct, 2017

本文提出了一种用于大规模张量分解的随机优化框架，结合了随机块坐标下降和随机近端梯度等算法，支持常用的约束和正则化，并给出了收敛性分析。

Jan, 2019

本研究提出了一种基于Bregman距离的随机Bregman（块）坐标下降法，解决了无法全局Lipschitz连续（部分）梯度假设的复合问题优化及收敛分析方面的瓶颈，给出了迭代收敛复杂度，并提出了加速RBCD方法。

Jan, 2020

本文研究了有限和优化问题的下限复杂度界限，并基于分组的新方法构造了硬实例，从而建立了有限和最大最小优化问题的下限复杂度界限。

Mar, 2021