去中心化在线指数凹优化

基于摘要分析。本文研究去中心化在线凸优化（D-OCO）中的指数凹损失：多个智能体仅依靠本地计算与通信，协同最小化随时间到来的全局损失。作者提出 Decentralized Online Newton Step（D-ONS），将分块与加速 gossip 机制结合到 Online Newton Step 中，并给出遗憾上界及接近的下界。 作者报告，在指数凹损失的去中心化在线优化设定下，D-ONS 的遗憾上界为 O(Nd(1−σ₂)^(−1/2)log²(T))，其中 N 为智能体数量，d 为维度，T 为时间范围，1−σ₂ 为通信网络的谱间隙；同时给出 Ω(Nd(1−σ₂)^(−1/2)log(T/N)) 的下界。上下界在所示 N、d 与谱间隙依赖上相对应，但时间对数因子仍有差异。作者将该结果称为这一问题的首个对数型遗憾保证；此优先性尚未独立核查。 作者还将方法扩展到可行域无界、特征和标签由各节点本地观测的去中心化在线线性回归，通过 gossip 交换协方差统计量与标签—特征统计量，并报告对数型遗憾保证。摘要未提供分块长度、通信调度、曲率条件及具体更新公式，理论假设、证明细节、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 多节点学习任务可表述为共享参数的在线线性回归，且各节点持续获得标签，则其统计量交换机制可能用于分布式解码器更新；这并非已验证的 BCI 效果。可复用部分是在线更新与通信机制，需改造特征构建、标签反馈和节点间对齐。低信噪比、跨被试或跨通道异质性、少样本及信号漂移可能削弱实用效果。一个可证伪的小实验是在固定 EEG 特征与相同标签反馈下，将训练流分配给多个节点，在相同通信预算下比较 D-ONS、普通 gossip 在线回归及本地独立学习的累计损失；已有 EEG 相关工作尚未检索确认。