Ein randomisierter Algorithmus, der Schritte in Richtung des negativen Krümmungsvektors zufällig wählt, kann unter Berücksichtigung von Ungenauigkeiten in Gradient und Hessian-Matrix effizient Punkte finden, die die Bedingungen für eine Approximation zweiter Ordnung erfüllen.
Eine stochastische Quasi-Newton-Methode wird vorgestellt, die eine optimale Stichprobenkomplexität von O(ǫ-3) erreicht, um eine ǫ-approximative Lösung für nicht-konvexe Optimierungsprobleme mit nicht-uniformer Glattheit zu finden.