学術的背景 現代のビッグデータ時代において、分散学習（Distributed Learning）は大規模なオンライン機械学習問題を解決するための有効な方法となっています。しかし、分散学習における頻繁な通信と射影操作（Projection Operations）は、高い通信コストと計算コストをもたらします。特に高次元の制約付き最適化問題において、射影操作の計算複雑度は非常に高く、アルゴリズムの効率に深刻な影響を与えます。これらの問題を解決するために、本論文ではイベントトリガー機構（Event-Triggered Mechanism）に基づく分散型Frank-Wolfeオンライン最適化アルゴリズムを提案し、通信オーバーヘッドと計算コストの削減を目指しています。 Frank-Wolfeアルゴリズム...