联邦学习在解决随机变分不等式（VI）问题上长期落后于联邦凸优化的收敛率上界。本文作者针对这一差距，给出了一系列改进的收敛率分析。

核心贡献有两部分。第一，他们重新分析了经典的 Local Extra SGD 算法，在一般光滑单调的变分不等式设定下，得到比以往更紧的收敛界。第二，他们指出 Local Extra SGD 存在固有缺陷，即会导致过度的客户端漂移（client drift），这限制了其性能。

为了克服这个缺陷，作者提出新算法 LIPPAX（Local Inexact Proximal Point Algorithm with Extra Step）。这个算法能缓解客户端漂移，并在多个特殊场景下获得更强的收敛保证，包括有界 Hessian、有界算子、以及低方差设定。此外，工作还将结果扩展到联邦复合变分不等式，并建立了改进的收敛保证。

论文作者来自佐治亚理工学院和 Apple。整体来看，这项工作在理论上补齐了联邦变分不等式收敛性分析中的关键空白，并给出了一个可替代现有方法的新算法。对于从事联邦学习理论、特别是涉及非凸或变分问题的研究者，这是一个值得关注的方向。