本文提出了CODA算法解决机器学习中的随机组合极小极大问题，填补了相关研究的空白。该算法在非凸设置下有效收敛，提高了处理组合结构的优化能力，对领域适应和鲁棒模型无关元学习具有重要影响。

该文介绍了一种使用卡尔曼过滤器进行随机优化的算法，在非凸设置下具有收敛性理论，并在机器学习领域上展示了其改进的性能。同时，还介绍了一种分布式版本的算法，并将其扩展到 SGD 动量和 RMSProp。

本文介绍了一种无导数联邦零阶优化算法（FedZO），通过多次本地更新和部分设备参与来实现。同时，还介绍了一种适用于无线网络的空气计算辅助 FedZO 算法。研究了在非凸设置下，FedZO 算法的收敛性能，并分析了本地迭代次数和参与边缘设备数量对收敛性的影响。