学术背景 在当今大数据时代，分布式学习（Distributed Learning）已成为解决大规模在线机器学习问题的有效方法。然而，分布式学习中的频繁通信和投影操作（Projection Operations）带来了高昂的通信和计算成本。尤其是在高维约束优化问题中，投影操作的计算复杂度极高，严重影响了算法的效率。为了解决这些问题，本文提出了一种基于事件触发机制（Event-Triggered Mechanism）的分布式Frank-Wolfe在线优化算法，旨在减少通信开销和计算成本。 Frank-Wolfe算法作为一种投影自由（Projection-Free）的优化方法，因其简单高效的实现而备受关注。与基于投影的方法相比，Frank-Wolfe算法在每轮迭代中只需计算线性优化步骤，避免了复杂...