通过拉普拉斯变换理解 Lookahead 动力学

我们引入了一个频域框架，用于游戏优化中超参数的收敛分析，利用高分辨率微分方程（HRDEs）和拉普拉斯变换。聚焦于 Lookahead 算法——由梯度步数 $k$ 和平均系数 $\alpha$ 表征——我们将双线性游戏的离散时间振荡动力学变换到频域，以推导精确的收敛准则。我们更高精度的 $O(\gamma^2)$-HRDE 模型给出了更紧的准则，而我们的一阶 $O(\gamma)$-HRDE 模型通过优先考虑可操作的超参数调优而非复杂的闭式解，提供了实用的指导。离散时间设置中的经验验证证明了我们方法的有效性，该方法可进一步推广到局部线性算子，为游戏中学习的超参数选择提供了一个可扩展的框架。