预言机替换了欧氏步方向
多梯度下降通常选取任务梯度的凸组合中欧氏范数最小者，并沿其反方向走一步。这篇论文保留这套加权逻辑，但改变步长的几何：范数约束的线性最小化预言机在所选范数的半径 R 球内返回方向 D_t，使它与混合梯度 G_t 的内积等于负 R 乘以 G_t 的对偶范数。收敛分析只用到这一恒等式，外加对方向范数的界。
由于该恒等式对任意范数都成立，分析同时覆盖谱几何、符号几何和欧氏基线。作者称这是把同期 MOON 研究的谱构造推广到一般范数。每次迭代的实际代价是 K 次任务梯度计算、一次预言机调用和一次熵权重更新，不需要内层优化循环。
熵权重更新让对齐任务减权
权重位于单纯形上，通过对得分 g_t 做熵镜像下降来更新，可选地加入向均匀权重的拉力和对每个坐标的下限 κ。闭式解是先做 softmax 再裁剪。符号方向反直觉：由于负 g_t 除以 R 是“把 w 映射到混合梯度对偶范数”这一函数的次梯度，沿它下降等于在 g_t 上上升。与当前方向高度对齐的任务得到很负的得分并失去权重，而受到损害的任务反而获得权重。
把拉力和下限都设为零时，更新退化为指数梯度。熵项把 logits 拉向均匀加权，作者将其与 MOON 的 logit 衰减联系起来。下限为正时，裁剪步骤需要至多 K 轮的单调递推，若用排序则为 O(K log K)。
确定性情形给出速率和推导出的梯度界
在确定性设定下，定理 4.4 把平均平稳性残差上界写为 (sqrt(2ΔL) + M sqrt(log K / 2)) 除以 sqrt(T)，其中 Δ 衡量初始次优间隙，L 是光滑常数，M 界定得分的无穷范数。该界对任意范数对成立，且不涉及正则化强度或下限。
更具特色的是引理 4.3：对无正则化、无裁剪的方法，仅凭光滑性和下有界性即可推出 M = O(sqrt(LΔ log K))，因此不需要单独的梯度界假设。代入后得到达到精度 ε 需要 O(LΔ log²K / ε²) 次迭代。这一推导只适用于确定性情形；随机结果和逐迭代结果仍假设轨迹梯度有界。
单个动量缓冲让任务数不进入首项
在随机梯度和有界梯度假设下，定理 4.9 给出 O(ε^-4) 的迭代次数，等价于 O(T^-1/4) 的速率，使用单个持续作用于混合梯度的动量缓冲。对含噪权重增量的加权平均界使显式的 K 依赖不进入 T^-1/4 首项。在有界方差下低阶项仍带线性 K 依赖，在更强的尾部假设下则替换为 log K。
这是论文最清楚地区分几何带来什么、又不带来什么的地方。随机首项在陈述上不含显式任务数依赖，但这一陈述只针对首项，而且它依赖有界梯度假设，而非推导出的界。
谱几何与符号几何可使最优解不唯一
命题 3.1 表明，最小混合梯度在每个实例中都唯一，当且仅当对偶单位球严格凸。对 ℓ1 对偶和核范数，单位球不严格凸，因此不同权重向量可以达到相同的最小对偶范数。论文的构造取两个梯度等于对偶球上一段平坦线段上的不同点，使每个权重都最优。
这之所以重要，是因为通过某个特定极小元定义的冲突规避距离会依赖选择。作者因此改为分析不依赖选择的内层间隙。他们还表明，内层最优本身并不保证每个任务都下降：常规的符号选择可能在内层极小点处主动损害某个任务。关键在于，平均情形下的平稳性速率并不需要排除这种情况的鞍点条件；选择影响的是逐迭代保证，而不是速率。
正则化与下限换来逐迭代跟踪
在任意有界梯度序列上，论文为内层加权目标建立了静态遗憾。加入熵正则化和权重下限后，在预热期之后可以逐迭代控制内层间隙，同时保留遍历平稳性，前提是轨迹梯度有界。作者强调，正则化分析独有的结论是这种每次迭代的跟踪保证，而不是仅平均间隙收敛。
该保证带有明确限制。跟踪指数不如欧氏冲突规避距离的结果有竞争力，这里用到的梯度界是假设而非推导。固定相对预言机误差在确定性平稳性和平均间隙上可以容忍，但论文没有把这种容忍扩展到随机或逐迭代保证，也没有为实验所用的五步 Newton–Schulz 实现建立一致的误差水平。
实验只测试少量任务且不加正则化
实验在 Cityscapes（K = 2 个任务）、NYU-v2（K = 3 个任务）和 MultiMNIST（两个任务）上把该方法与现有多任务优化器比较。聚合指标 Δm% 对每个任务相对单任务基线的变化取平均，并用符号约定使越高越好；单任务行按构造为零。在 MultiMNIST 上，主配置在三个随机种子上平均测试准确率为 90.54%，内层间隙为 0.90。
消融实验让解释更清晰。κ 到 0.48 为止结果与无裁剪运行一致，说明在该权重步长下下限基本从不生效。当 κ 接近 1/K = 0.5 时，平均准确率在 κ = 0.495 处略升至 91.11%，而经验内层间隙从 0.90 增至 1.65。由于 κ 接近 1/K 会把方法退化为使用同一预言机和动量的线性标量化，而该配置达到相近准确率，K = 2 时相对基线的优势不能归因于自适应加权。
还有两条边界与这些数字相关。所有主配置都使用零正则化和零下限，因此实验没有检验逐迭代跟踪保证。报告指标是单个种子最后 10 个 epoch 的平均，这些 epoch 相互关联，不能估计独立运行间的波动。不同预言机变体的间隙也不在同一数值尺度上，因为底层几何不同。
一般范数保证是论文更持久的结论
最可迁移的结果不是基准上的领先幅度，而是与范数无关的论证：平稳性分析只调用预言机恒等式和方向范数界，因此对任意有限维范数对成立，而确定性梯度界由光滑性和下有界性推出，无需额外假设。随机首项与任务数无关是第二个值得带走的结论，但它以有界梯度假设为条件，且只适用于首项。
论文自己的优先级排序由此而来。预热期后的逐迭代内层间隙控制是正则化分析的独特贡献，却恰恰是实验未检验的部分，因为实验在零正则化和至多三个任务下运行。因此，把该方法与欧氏冲突规避方法相比较的读者，应把一般范数的确定性速率和推导出的梯度界视为已确立的核心，而把更大任务数下的正则化跟踪行为视为证据尚未回答的开放问题。
本文引用的文献
Geometry-Aware Multi-Objective Optimization: Norm-Constrained Oracles with Entropic Weight Updates
一种单环方法把范数约束的线性最小化预言机与熵任务权重更新结合，在确定性设定下对任意有限维范数对达到 O(T^-1/2) 的遍历平稳性速率，其梯度界由光滑性和下有界性推导得到；随机情形下达到 O(T^-1/4) 速率，其首项不显式依赖任务数量。