연구진이 Convex 학습에서 첫 번째 단계 업데이트 연산자의 단조성이 수렴 및 일반화 보장에 중요하다고 밝혔습니다. 선형 평균은 단조성을 유지하지만, 적응성·개인정보 보호·강건성·공정성 등 제약 조건을 적용하는 현대 파이프라인에서는 비선형 집계가 흔히 사용됩니다. 연구 결과 비선형 집계는 단조성을 유지할 수 없으며, 이는 안정적인 수렴을 방해하고 알고리즘 안정성을 저하시킵니다.
연구진은 단조성이 복구될 수 있는 조건들을 제시하고, 현대 학습 시스템에서 발생하는 다양한 실패 모드를 설명하는 통일된 이론적 프레임워크를 제공합니다. 비선형 집계는 양의 선형성을 유지해야만 단조성을 보존할 수 있으며, 그렇지 않으면 수렴과 안정성이 저하됩니다. 연구는 이러한 현상을 정량화하고 해결 방안을 제시합니다.