Badacze opracowali nową klasę algorytmów mirror descent do rozwiązywania problemów nierówności wariacyjnych z ograniczeniami funkcjonalnymi, które pojawiają się w optymalizacji, uczeniu maszynowym i równowadze Nash'a. Algorytmy łączą techniki lustrzanego spadku z metodami radzenia sobie z ograniczeniami funkcjonalnymi, oferując teoretyczne gwarancje zbieżności. Praca ma znaczenie dla rozwoju bardziej wydajnych metod optymalizacyjnych w złożonych problemach z wieloma ograniczeniami.