В эпоху больших данных (Big Data) и машинного обучения традиционные методы оптимизации, требующие загрузки всей матрицы данных в оперативную память одного вычислительного узла, перестали справляться с нагрузкой. Метод множителей с чередующимися направлениями (Alternating Direction Method of Multipliers, ADMM) стал алгоритмическим спасением для распределенной выпуклой оптимизации. Он гармонично сочетает в себе способность к декомпозиции, свойственную методу двойственного восхождения, и высокую скорость сходимости метода дополненного лагранжиана, позволяя разбивать гигантские задачи на мелкие фрагменты, решаемые параллельно.