收敛率（convergence rates）是优化理论与机器学习中的核心概念，用于刻画算法随迭代次数或样本量增加逼近最优解的速度，通常以大 O 符号表示误差上界随迭代的衰减阶。它既是衡量随机梯度下降、联邦学习、强化学习等算法效率的理论标尺，也是判断算法在噪声、非凸、分布式等复杂场景下是否可用的重要依据。
收敛率的近期研究进展
当前焦点与观察点
从近期文献看，收敛率研究正从理想的有界方差假设走向更贴近实际的条件：一是重尾噪声成为热点，梯度裁剪与收敛率的关系被系统性厘清；二是分布式与联邦设定下的速率分析持续深化，通信效率与最优速率之间的权衡是核心议题；三是收敛性理论开始向强化学习等更复杂的决策场景延伸。
值得关注的观察点包括：重尾噪声下“最优收敛率”的下界是否还能进一步收紧；梯度裁剪在不同去中心化拓扑结构中的作用是否一致；以及这些理论速率与大规模训练中的实际收敛行为之间的差距。对从业者而言，收敛率方面的结论正在从纯理论保障逐步转化为指导算法设计与超参选择的实用依据。