arXiv 于 2026 年 2 月 24 日发布了一篇题为《Mirror Descent-Type Algorithms for the Variational Inequality Problem with Functional Constraints》（带函数约束的变分不等式问题的镜像下降型算法）的论文，编号为 arXiv:2605.16262v1，属于机器学习（cs.LG）类别，并交叉列入优化与控制（math.OC）领域。作者为 Mohammad S. Alkousa 等共四位研究者，提交时间为 2026 年 2 月 24 日 18:56:00 UTC，稿件大小约 546 KB。论文以 PDF、实验性 HTML 以及 TeX 源码形式公开，DOI 为 10.48550/arXiv.2605.16262，由 DataCite 通过 arXiv 发放。
论文开篇指出，变分不等式在机器学习研究中扮演关键角色，广泛应用于生成对抗网络、强化学习、对抗训练以及生成模型等方向。本文聚焦于带有函数约束（即不等式型约束）的约束变分不等式问题，这类问题在理论上更具挑战性，因为算法不仅要逼近变分不等式的解，还必须同时满足一系列函数型可行性约束。
针对这一问题，作者提出了一类镜像下降型算法。其核心机制是根据迭代点处函数约束的取值，在“有效步”（productive step）与“非有效步”（non-productive step）之间进行切换。算法设计上具有较大的灵活性，支持多种步长规则与停止准则，从而适配不同的应用场景与精度需求。
在理论分析方面，作者对提出的算法进行了系统分析，并在算子有界且单调、函数约束为 Lipschitz 凸函数的条件下，证明了算法能够以最优收敛速率达到所需精度的解。这意味着算法在理论上具备效率保证，而不仅仅是启发式方法。
论文还提出了一种改进版本：在执行有效步时，逐一考虑每个函数约束，并特别关注第一个违反可行性的约束。当问题包含大量函数约束时，这种处理方式可以显著节省算法的运行时间，因为无需在每个迭代中对全部约束进行完整计算。
此外，作者将分析扩展到 δ-单调（δ-monotone）算子情形。这一推广使得所提算法可以作为特例应用于约束最小化问题，尤其是在无法获得目标函数次梯度精确信息的情况下，这为实际中信息不完整的优化场景提供了理论工具。
最后，论文给出了数值实验，用以说明所提算法的工作方式与性能表现。实验部分展示了算法在具体问题上的行为，验证了理论分析的有效性。综合来看，该工作为带函数约束的变分不等式问题提供了一套兼具灵活性、理论保证与计算效率的镜像下降型求解框架，对生成模型、对抗训练等机器学习应用具有潜在参考价值。