该研究提出了一种迭代的图神经网络框架，解决了现有方法在凸优化中的可行性保证问题。实验结果显示，该方法在解的质量和可行性上优于现有神经基线，并在某些情况下速度超过了最先进的求解器。

本研究提出了一种新的GA-Planes模型，旨在解决隐式神经表示训练中的非凸优化问题。该模型通过凸优化进行训练，能够有效结合多种特征，并在2D和3D体积拟合任务中表现优越，具有显著的内存效率和可优化性。

本文研究了聚类问题，提出了基于凸优化的聚类方法、k-median目标函数的解决方案以及层次聚类的优化。实验结果表明，这些方法在聚类效果和效率上具有优势，尤其是在处理复杂数据集时表现突出。

本研究提出了一种新颖的原始-对偶算法，用于解决数据驱动的变分重建框架中的优化问题。该算法通过重构问题，消除网络的嵌套结构，将其转化为可高效求解的凸优化问题。实验结果表明，该方法在速度和稳定性上优于传统的次梯度方法。

本研究提出了一种新型蒸馏技术，利用凸优化压缩大型深度神经网络，适用于资源有限的边缘设备。该方法无需微调，并在数据稀缺情况下保持原始性能，提升了模型在边缘设备上的应用潜力。

本研究提出了一种基于条件梯度算法的优化模型，适用于线性和非线性凸优化问题。该算法具有线性收敛速度和良好的遗憾保证，能够有效解决大规模优化问题，并在复杂学习任务中表现出高效性。数值实验验证了其优越性能。

该研究提出了一种基于凸优化的鲁棒学习框架，旨在提升机器学习模型在不同子人群中的泛化能力。通过实证分析，验证了模型在数据分布变化下的可靠性和公平性，强调了最差组准确率与其他指标的权衡，并提出了新的算法以应对数据损坏问题。

本文研究了随机泛型不等式、凸优化及机器学习中的算法，提出了改进的TD算法、增广Lagrangian方法和约束梯度法等有效解决方案，并进行了收敛性分析，推动了相关领域的发展。

该研究提出了一种新型随机梯度算法，专注于Riemannian矩阵流形的优化，并证明了其收敛性和速率。文章展示了多种算法在机器学习中的应用，尤其是在协方差估计和凸优化问题上的有效性。

本文探讨了大型语言模型中的softmax单元及其在凸优化中的应用，提出了一种基于贪心算法的softmax回归方法，并证明了其理论基础。研究表明，softmax在多类别模式分类中优于线性注意机制，揭示了其在神经网络中的重要性和应用潜力。

本文介绍了一种新的随机交替方向乘子法（ADMM）算法，显著提高了凸优化问题的收敛速度。该算法在低存储空间下实现更快的收敛，适用于非凸问题，并通过实验验证了其有效性。同时，研究探讨了基于ADMM的分布式优化方法及其收敛性分析。

本文介绍了一种结合凸优化和松弛优化技术的在线非随机控制理论，提出了基于OGD-BZ算法的在线最优控制解决方案，并分析了策略遗憾问题。研究还探讨了非线性机器人系统的闭环控制、算法的收敛性与鲁棒性，以及在线两阶段随机优化问题，旨在提升控制系统的性能与效率。

本文探讨了现代机器学习和统计工具在随机系统识别中的应用，重点研究不稳定线性系统的参数识别及误差界限。提出了一种频域学习模型和时空预测方法，结合偏微分方程和凸优化技术以提升模型性能和可解释性。同时，分析了Kalman滤波器的设计及其鲁棒性，以及梯度方法对收敛速率的影响。

本文提出了一种基于凸优化和半定规划的方法，用于计算深度神经网络的Lipschitz常数上界，从而增强其对抗攻击的鲁棒性。实验结果表明，该方法在不同网络架构上表现优越，提供了有效的稳健性保证。

本文介绍了第一型 Anderson 加速在非光滑固定点问题中的应用，提出了结合保护步骤和正则化方法的全局收敛加速变体。通过数值实验，验证了该算法在一阶算法中的改进效果，尤其在终端收敛方面。该方法已在 SCS 2.0 中实现，显示出其在凸优化中的有效性。

该研究探讨了利用随机重排来压缩有限和函数的算法，Random Reshuffling。该算法在凸优化和非凸优化中很有实用性，并且比随机梯度下降更快。研究者通过理论和实验表明，新的方差类型为RR的卓越性能提供了额外的理论依据。同时，他们还展示了Shuffle-Once算法的快速收敛性，并提出了适用于非强凸和非凸目标的多种算法。他们的理论优于现有文献，并揭示了不同类型的随机变量可能在某些情况下产生更大的影响。

本文提出了一种基于梯度的凸优化算法，设计了具有最强收敛保证的加速优化算法，进一步扩展到一类非凸函数，并在基准数据集上验证了其优异性能。算法可以均匀地控制逃离非退化鞍点所需的时间。

该研究解决了任意关联函数的凸优化问题，并展示了相对于基本DP-SGD的可证明改进。通过解析表达式，绕开了优化噪声关联矩阵的半正定程序的立方复杂性。实验验证了理论。

该文介绍了一种新的过滤方法，使用交通测度、凸优化和概率图模型的思想来产生高维度下的坚韧的集成近似过滤分布。该方法可被理解为集成卡尔曼滤波器（EnKF）的自然推广，使用随机或确定性耦合来进行非线性更新。该框架在混沌区域的 Lorenz-96 模型的挑战配置下实现了最先进的跟踪性能。