Ngày 28/9/2026, nhóm Apple Machine Learning Research công bố nghiên cứu mới về tối ưu hóa liên kết (federated optimization) cho bài toán bất đẳng thức biến phân ngẫu nhiên (stochastic variational inequalities - VIs). Công trình tập trung vào việc thu hẹp khoảng cách lý thuyết kéo dài giữa tốc độ hội tụ của các bài toán biến phân phân tán và những giới hạn tối ưu đã biết trong tối ưu hóa lồi liên kết (federated convex optimization).
Bất đẳng thức biến phân là khung toán học tổng quát, bao hàm nhiều bài toán quan trọng trong học máy như tối ưu hóa đối kháng (adversarial training), mô hình trò chơi lý thuyết nhiều bên và các bài toán cực tiểu - cực đại (min-max optimization). Khi triển khai trên môi trường học liên kết — nơi dữ liệu phân tán trên nhiều thiết bị biên và không được tập trung về máy chủ trung tâm — việc giải quyết các bài toán VIs gặp phải rào cản lớn về chi phí truyền thông và tốc độ hội tụ của thuật toán qua các vòng giao tiếp.
Theo Apple Machine Learning Research, dù lĩnh vực này đã đạt nhiều tiến bộ trong những năm gần đây, tốc độ hội tụ được chứng minh trên lý thuyết của các thuật toán VIs liên kết vẫn chậm hơn đáng kể so với bài toán tối ưu hóa lồi chuẩn. Nghiên cứu mới giải quyết giới hạn này bằng cách thiết lập một chuỗi các giới hạn tốc độ hội tụ cải tiến. Nhóm nghiên cứu chứng minh rằng đối với các bài toán bất đẳng thức biến phân trơn và đơn điệu tổng quát (general smooth and monotone VIs), thuật toán kinh điển Local Extra SGD có thể đạt được các bảo đảm toán học chặt chẽ hơn đáng kể thông qua kỹ thuật phân tích tinh chỉnh.
Kết quả từ công trình của Apple đóng góp nền tảng lý thuyết cho việc tối ưu hóa các mô hình học máy phân tán phức tạp trên thiết bị cá nhân, giảm độ trễ tính toán và số chu kỳ trao đổi dữ liệu cần thiết giữa máy chủ và thiết bị biên. Tuy vậy, công bố hiện tập trung hoàn toàn vào chứng minh toán học và phân tích tốc độ hội tụ lý thuyết, chưa kèm theo các báo cáo đo lường thực nghiệm diện rộng trên phần cứng thương mại.