Effiziente Algorithmen für nicht-glatte Optimierung und Stichprobenziehung

Wir entwickeln effiziente Proximal-Algorithmen, um konvexe Optimierungsprobleme mit nicht-glatten Zielfunktionen sowie log-konkave Stichprobenziehung mit nicht-glatten Potenzialfunktionen zu lösen. Unsere Algorithmen basieren auf dem Proximal-Punkt-Verfahren für Optimierung und dem Alternating Sampling Framework für Stichprobenziehung, wobei die Schlüsselkomponente die effiziente Implementierung der Proximal-Abbildung ist.