本研究提出Sassha，一种新型的二阶优化方法，旨在提升泛化能力。Sassha通过降低解的尖锐性和稳定海森矩阵的近似计算，表现优于其他方法。

本研究提出了一种高效的二阶优化方法，针对联邦学习中的模型不确定性和个性化需求，显著提升了预测精度和不确定性估计，优于现有技术。

本研究探讨了二阶优化在深度学习中的泛化问题，首次展示高斯-牛顿更新在深度可逆架构中的应用，发现其在小批量训练下易导致过拟合，影响模型的泛化能力。

该研究提出了一种名为Newton Sketch的随机化二阶优化方法，可用于近似牛顿步。该算法证明具有超线性收敛和指数高概率，与条件数和相关问题独立的收敛和复杂度保证。该方法可应用于多种问题，如线性程序、带凸约束的二次程序、逻辑回归和其他广义线性模型以及半定规划的扩展问题。