본 논문은 다양한 머신러닝 문제에서 중요한 역할을 하는 원뿔 최적화 문제를 다루며, 대규모 데이터셋을 처리하기 위한 일반적인 원뿔 제약 머신러닝 문제에 대한 실용적인 알고리즘의 부족을 해결하고자 합니다. 이를 위해 일반적인 원뿔 최적화를 위한 확률적 내부점 방법(SIPM) 프레임워크를 제안하고, 서로 다른 확률적 기울기 추정기를 활용하는 네 가지 새로운 SIPM 변형을 제시합니다. 온화한 가정 하에서 제안된 SIPM의 반복 복잡성을 증명했으며, 이는 확률적 비제약 최적화에서 가장 잘 알려진 결과와 거의 일치합니다. 마지막으로, 강력한 선형 회귀, 다중 작업 관계 학습 및 클러스터링 데이터 스트림에 대한 수치 실험을 통해 제안된 방법의 효과와 효율성을 입증했습니다.
