本研究探讨了联邦学习在通信噪声存在时的性能，提出了新的收敛性分析，指出上行和下行信噪比需随通信轮数增长以保持收敛性。同时，研究了基于设备对设备网络的改进方法，提出了AMC-Net和SplitAMC等新技术，以提高自动调制识别的准确性和效率。

本研究探讨了联邦学习在上下行通信错误情况下的表现，并提出了新的收敛性分析。结果表明，为保持理想的收敛行为，需控制信噪比。此外，研究提出了DynamicFL框架，通过动态分配通信资源，提升模型性能，准确性提高了10%。

本文研究了随机泛型不等式、凸优化及机器学习中的算法，提出了改进的TD算法、增广Lagrangian方法和约束梯度法等有效解决方案，并进行了收敛性分析，推动了相关领域的发展。

本文探讨了基于哈密顿视角的动量方法，包括Nesterov加速梯度法和Polyak重球法的收敛性分析。研究表明，Nesterov方法在训练神经网络时收敛速度优于Heavy Ball方法，并提出了针对梯度噪声情况下的收敛性模型，验证了新算法在稀疏数据环境中的优势。

该论文提出了一种适应性方法，用于非凸连续学习的收敛性分析。该方法通过调整先前和当前任务的梯度步长，以达到与SGD方法相同的收敛速度，并在减轻灾难性遗忘项的情况下改进了连续学习在图像分类任务中的性能。

本文介绍了一种结合 Adam 和非线性共轭梯度方法的共轭梯度 Adam 算法，分析了其收敛性，并展示了在深度神经网络训练中的优势。实验结果表明，该算法在图像分类和文本分类任务中优于现有自适应优化算法，具有更快的收敛速度和更低的超参数调整复杂性。

本文提出了一种具有优越性能的Riemannian随机拟牛顿算法，能够在不确定性的情况下实现多个梯度的加、减、平均，并对非凸和收缩凸函数进行了收敛性分析。实验结果表明该算法在计算Karcher平均值和低秩矩阵时优于当前最先进的批量和随机梯度算法。