本研究提出了一种完全随机原始对偶梯度算法（FSPDA），旨在解决随机分散优化中的同步开销和间歇通信问题。该算法通过非阻塞稀疏通信与局部随机梯度更新，加速收敛，并在非凸目标函数下实现精确收敛，首次展示了异步算法的有效性。

本文提出了一种新方法，通过自适应调整约束惩罚和最大迭代次数，加速ADMM收敛，提升分布式优化效率。研究涵盖异步ADMM算法、随机原始-对偶算法及去中心化在线随机非凸优化，验证了算法在多种数据集上的优越性能和收敛性。

本文提出了一种高效的分散式和异步算法，满足强隐私要求，用于个性化模型的学习。算法保护个人数据集的信息披露，实验结果表明，在隐私约束下，可以显著改进独立学习中的模型。

本文提出了一种高效的分散式和异步算法，用于个性化模型的学习，并满足强隐私要求。算法保护个人数据集的信息披露，实验结果表明，在隐私约束下，可以显著改进在独立学习中得到的模型。