研究者为选择性状态空间模型推导架构感知的收敛界，并在六个文本域上比较九种联邦学习算法
相关研究与后续进展
核心概要
该工作针对现代选择性状态空间模型（如 Mamba2）在分布式学习中行为不明的问题，推导了单层与多层选择性 SSM 的架构感知梯度界与光滑性界，以及 FedAvg 与 FedProx 的收敛界，刻画循环稳定性、输入依赖离散化和状态投影范数如何影响联邦优化；随后用教师 SSM 生成序列对单层界做数值验证，并据此形成关于本地训练与客户端异质性的预期，再通过在六个文本域上比较九种联邦学习算法进行 Mamba2 语言建模来检验这些预期。
Figure 1: (a) A selective SSM layer generates input-dependent discretization parameters from xt and uses them to update the hidden state ht and output yt. (b) Federated SSM training proceeds over communication rounds: the server broadcasts W r, clients perform E local updates on local datasets Dk, and the resulting models are aggregated into W r+1.
arXiv · 第 3 页深度剖析
论文给出了单层与多层选择性 SSM 的架构感知梯度界与光滑性界，并给出 FedAvg 与 FedProx 的收敛界，明确刻画循环稳定性、输入依赖离散化与状态投影范数对联邦优化的影响。 既有标准联邦学习方法大体上是架构无关的，未考虑现代选择性 SSM 的稳定性、选择性与状态空间参数化；该工作把这三类架构属性显式纳入优化分析。 证据来自作者自述的推导结果，摘要中未给出具体界的形式、常数或假设条件。
作者用教师 SSM 生成的序列对单层界进行数值验证，学习者遵循所分析的递推结构。 把理论界与受控的合成序列实验对应起来，而非仅停留在推导层面。 摘要仅说明验证对象为单层界与教师 SSM 生成序列，未报告误差量级、序列规模或实验设置细节。
作者由分析形成关于本地训练与客户端异质性影响的预期，并在 Mamba2 语言建模上比较九种联邦学习算法、覆盖六个文本域来检验这些预期。 将 SSM 专属界作为解读实际联邦学习算法行为的基础，把架构感知分析与真实模型上的算法比较联系起来。 证据为九种算法、六个文本域的比较实验；摘要未给出具体指标、数据集名称或性能差异数值。
启示与展望
该工作面向采用选择性 SSM（如 Mamba2）的分布式与联邦学习场景，适用于希望从架构属性出发理解联邦优化行为的读者。其分析对象是单层与多层选择性 SSM 的梯度与光滑性界，以及 FedAvg 与 FedProx 的收敛界；数值验证限于单层界与教师 SSM 生成的序列；算法比较限于 Mamba2 语言建模与六个文本域。据此，该框架可用于形成并检验关于本地训练与客户端异质性的预期，并为解读实际联邦学习算法提供依据。
摘要未给出界的具体形式、假设条件与常数，也未报告数值验证的误差量级、序列规模，以及九种算法在六个文本域上的具体指标与差异。因此，界在何种条件下最紧、数值验证与理论预测的吻合程度、以及算法比较中观察到的行为在多大程度上可由这些界解释，仍是读者需要查阅正文才能确认的开放问题。