- 最佳子集选择的动态增量优化
本研究探讨了一类 l0 正则化问题的对偶形式，并基于其原始问题和对偶问题结构开发了一种高效的原始对偶算法，通过利用对偶范围估计和增量策略，可能减少了冗余计算并改进了最佳子集选择的解决方案。理论分析和对合成数据集和实际数据集的实验验证了所提出 - 保护隐私的联邦原始 - 对偶学习用于模型稀疏化的非凸和非平滑问题
提出了一种用于非凸和非平滑联邦学习问题的新型原始 - 对偶算法，结合双向模型稀疏化和差分隐私，以保证强隐私，通过真实数据上的大量实验验证了该算法的有效性和比某些最先进的联邦学习算法更出色的性能，并验证了所有分析结果和特性。
- 基于不等式约束的零遗憾执行预测
对于受到不等式约束的可行预测问题，本文在鲁棒的原始对偶框架基础上提出了一种自适应的原始对偶算法，通过数值模拟验证了算法的有效性和理论结果，该算法在不等式约束下达到 O (√T) 的后悔与约束违规，使用了√T + 2T 个样本。
- Moreau-Yoshida 变分传输：用于解决正则化分布优化问题的通用框架
我们提出了一种名为 Moreau-Yoshida Variational Transport（MYVT）的新方法，用于解决正则化的分布优化问题，该方法包括优化、概率分布、正则化估计和生成建模以及原始 - 对偶算法。
- 最后迭代一致收敛的政策梯度原始 - 对偶算法用于约束 MDPs
本文介绍了利用 Lagrangian 方法将约束马尔可夫决策过程转化为有约束鞍点问题的优化方法，提出了两种单时间尺度的基于原始对偶算法的策略算法，可以使策略迭代收敛到一个最优受限策略。其中一个采用了一种正则化策略梯度算法，另一个采用了一种乐 - 联邦组合鞍点优化
在联邦学习范式下解决复合优化问题中的鞍点问题，我们提出了第一种包括鞍点优化和复合优化的额外步骤原始 - 对偶算法 FeDualEx，并通过收敛性分析和经验评估证明了其在这些具有挑战性的环境中的有效性。此外，我们还提供了随机复合鞍点设置的速率 - 无线联邦学习中具有可证保证的传输学习
本文提出了一种新的数据驱动方法，可为干扰限制的无线网络上的联邦学习分配传输功率，使用图卷积网络来参数化功率分配策略，并通过 primacy-dual 算法求解相关的约束优化问题，从而实现优化 FL 过程中服务端接收到的信息，最终提高全局 F - ICML非凸函数约束优化的单循环梯度下降和扰动上升算法
本文提出了一种新的梯度下降和扰动上升（GDPA）算法，用于解决一类平滑的非凸不等式约束问题，该算法是首个能够解决非凸平滑问题和非凸不等式约束的单循环算法之一，并具有较好的收敛性能和求解效果。
- CVPR面向域泛化的基于原则的解缠方法
提出了一种名为 DDG 的方法，利用基于约束的优化形式来处理机器学习模型的泛化问题，并以有限维参数化和经验逼近的方式对其进行简化，同时提出了一种基于原始对偶算法来实现表示分离和域泛化的方法。DDG 方法可以学习到语义概念的内在表示，使其对干 - AAAI通过原始对偶方法实现有约束强化学习的零约束违规
该研究提出了一种保守随机原始 - 对偶算法 (CSPDA)，用于解决基于约束马尔可夫决策过程 (CMDP) 的强化学习问题，该算法能够在零约束违规的情况下实现 ε- 最优累积奖励，并提供比现有算法更有效率的复杂度。
- CVPRRAMA：一种基于 GPU 的快速多割算法
本文提出了一种高度并行化的基于原始 - 对偶算法的方法来解决基于图的聚类问题，通过 GPU 实现，相比于传统的顺序算法在执行速度方面取得了 1-2 个数量级的提升，同时解决了规模为 O (10^8) 的问题。
- ICML联邦复合优化
本文探讨了面向非平滑损失函数的联邦学习问题，提出了一种新的基于原始 - 对偶算法的 FedDualAvg 算法，并通过理论分析和实验结果证明了其优于其他基线算法。
- ICLR基于压缩的线性收敛分散式优化
本文提出第一个具有压缩功能的 LDA 算法，并验证了算法的实用性和收敛速度。
- CVPR使用事件相机进行单张图像的光流估计
该研究探讨了如何利用事件相机和模糊图像进行光流估计，提出了一种基于事件相机和模糊图像的光流估计算法，并通过实验验证了该算法的优越性。
- 具有线性收敛率的分散近端梯度算法
本文研究了一类非光滑的分散式多智能体最优化问题，该代理旨在最小化局部强凸光滑组成部分和一个共同的非光滑项。我们提出了一个通用的原始对偶算法框架，统一了许多现有的最先进的算法。我们在非光滑项存在的情况下，证明了所提出的方法向确切解的线性收敛。 - 矩阵博弈的方差减少
本研究提出了一种随机原始 - 对偶算法用于求解优化问题，并通过引入新的梯度估计算法，将计算复杂度降低到矩阵稀疏的情况下达到了最优。
- 在线鞍点问题与背包约束下的在线凸优化
本文研究了在线鞍点问题和应用，提出了一些算法，包括使用基本对偶方法解决在线鞍点问题以及应用于动态定价、竞拍和众包等问题。
- 连续时间原对偶动态系统的收缩性与稳健性
本论文聚焦于在网络环境下、分布式优化或者具有多时间尺度的系统中连续、可能非自治的 Primal-Dual 动力学，并展示了 Primal-Dual 算法在特定度量意义下确实是严格收缩的情况，以及在不同近似 Primal-Dual 系统中建立 - 一种带有线搜索的原对偶算法求解一般凸 - 凹鞍点问题
提出了一种基于新动量项的原始 - 对偶算法，使用偏导数来求解不要求耦合项线性的凸 - 凹函数产生的鞍点问题，并给出了具体的收敛速度。
- 关于二阶时间相关均场博弈的原始二重算法实现及局部耦合
本文研究具有本地耦合的时变均值场博弈系统的数值逼近，使用基于变分方法的离散化方法，并应用 Chambolle 和 Pock 介绍的原始 - 对偶算法来解决其有限维变分问题，特别是使用适当的预处理迭代算法来改善解决线性系统的方法。