本文提出了一种适应目标函数难度的私有随机凸优化算法，对于具有 ' 增长 ' 趋势的函数，可以实现更快的隐私速率，而不需要知道增长常数 κ，算法基于反敏感机制和隐私优化中的本地化技术，并具有匹配的下界。

Aug, 2021

本论文主要介绍了一些关于自适应算法的研究工作，包括在随机优化、深度神经网络和非凸优化等方面的应用，提出了新算法并进行了理论和实验分析。其中，SignSGD 算法具有很好的理论性质和性能，并能够自适应地适应平滑性条件。

Jun, 2023

本文提出了一种自适应算法以应对目标函数的未知平滑度，展示并计算适应于 H {"o} lder 正则性的多项式成本以进行后悔最小化，提供了有限时间分析和关于渐近最优性的彻底讨论。

May, 2019

本文针对随机凸优化问题，提出了局部复杂度度量，并给出了与优化固有几何概念相对应的统计难度的收敛结果。基于 Nesterov 的对偶平均方法和 Riemannian 方法，开发出完全在线的适应性最优收敛算法，实现了函数特定的下界和收敛结果，并对约束鉴别和线性约束与非线性约束等方面做了探讨。

Dec, 2016

控制变化预算的非静态顺序随机优化问题，可以实现长期平均最优性和速率最优性。对于这些问题的复杂性，我们建立了在线对抗凸优化和随机逼近范式之间的联系，并给出了最小化后悔的紧密界限，以量化非静态性的代价。

Jul, 2013

本文针对非凸非光滑问题提出新的算法稳定性度量方法，同时建立它们与梯度之间的量化关系，并使用采样确定算法导出了随机梯度下降算法和其自适应变种的误差界。

Jun, 2022

本文提出了基于模型的方法，解决随机凸优化问题，并介绍了近似近端点（aProx）家族，包括随机次梯度、近端点和束方法。通过适当准确的建模方法，这些方法享有比传统方法更强的收敛性和鲁棒性保证，即使与随机次梯度方法相比，基于模型的方法通常增加很少甚至没有计算开销。

Oct, 2018

研究不同 ially private (DP) 算法在随机非凸优化中的应用，通过提供对私有梯度法的分析，提出了 DP RMSProp 和 DP Adam 等最佳算法来达成更快的收敛速度，在两个流行的深度学习任务中，证明了 DP 自适应梯度法比标准的 DP SGD 更具有优势。

Jun, 2020

研究了具有随机协变量的非参数多臂赌博问题，考虑在不知道收益函数平滑度的情况下如何适应算法，并且提出了一种可以在决策过程中通过推断收益的平滑度以及利用现有策略的结构来实现平滑度自适应表现的算法，该算法在已知平滑度与未知平滑度的情况下都能够实现可接受的后悔率。

Oct, 2019

本文提出了半自适应策略，用于最大化自适应单调次模函数，能够实现几乎完美的近似保证，并将自适应次模最大化策略的适应性差距缩小了指数级别。

Nov, 2019