用拉普拉斯变换分析博弈优化中Lookahead的收敛性，指导超参数调优。
Understanding Lookahead Dynamics Through Laplace Transform
- 通过高频微分方程与拉普拉斯变换，将离散震荡动态转至频域分析。
- 提出 $O(γ^2)$ 模型得到更紧的收敛条件，$O(γ)$ 模型提供实用调参指南。
- 适用于博弈学习中的超参数选择，尤其适合需稳定收敛的场景。
我们提出一种频域框架，用于分析游戏优化中超参数的收敛性，结合高频微分方程（HRDEs）与拉普拉斯变换。聚焦于具有梯度步数 $k$ 和平均系数 $α$ 的Lookahead算法，将双线性博弈中的离散时间振荡动态转换到频域，推导出精确的收敛准则。高精度 $O(γ^2)$-HRDE 模型给出更紧的收敛条件，而一阶 $O(γ)$-HRDE 模型则优先提供可操作的超参数调优建议，而非复杂闭式解。在离散时间设置中的实证验证表明该方法有效，其思路还可扩展至局部线性算子，为博弈学习中的超参数选择提供可扩展框架。
原文摘要 · Abstract (English)
We introduce a frequency-domain framework for convergence analysis of hyperparameters in game optimization, leveraging High-Resolution Differential Equations (HRDEs) and Laplace transforms. Focusing on the Lookahead algorithm--characterized by gradient steps $k$ and averaging coefficient $α$--we transform the discrete-time oscillatory dynamics of bilinear games into the frequency domain to derive precise convergence criteria. Our higher-precision $O(γ^2)$-HRDE models yield tighter criteria, while our first-order $O(γ)$-HRDE models offer practical guidance by prioritizing actionable hyperparameter tuning over complex closed-form solutions. Empirical validation in discrete-time settings demonstrates the effectiveness of our approach, which may further extend to locally linear operators, offering a scalable framework for selecting hyperparameters for learning in games.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。