우리는 표준적인 Lipschitz 기울기 (Lipschitz gradient) 가정을 Bregman 커널 (Bregman kernel)에 대한 Hessian 비교로 대체하는 조건인 양방향 상대적 매끄러움 (two-sided relative smoothness) 하에서, 비볼록 선형 제약 문제 (nonconvex linearly constrained problems)에 대한 Bregman ADMM을 분석합니다. 이 설정은 전역적인 Lipschitz-gradient 상수가 존재할 필요가 없는 행렬 및 텐서 모델에서 발생하는 다항식 목적 함수 (polynomial objectives)를 포괄합니다. 우리는 불변 개방 상태 공간 도메인 (invariant open state-space domain)에서 Bregman ADMM의 한 번의 반복이 매끄러운 원시-쌍대 고정점 사상 (smooth primal--dual fixed-point map)을 정의하며, 이의 엄격한 안장점 (strict-saddle) KKT 점들은 불안정한 고정점임을 보여줍니다. 결과적으로, 무작위 초기화로부터 반복값들은 확률 0으로 엄격한 안장점으로 수렴합니다. 기존의 1차 수렴 결과와 결합하여, 이는 극한 KKT 점들의 거의 확실한 (almost-sure) 2차 정지성 (second-order stationarity)을 산출합니다. 우리는 이 분석을 분산 최적화 (distributed optimization)를 위한 멀티 블록 스타 합의 (multi-block star consensus) 공식으로 확장합니다. 기술적 참신함은 두 블록 스펙트럼 논증 (two block spectral argument)에서 Bregman 특화 대칭화 및 스케일링 단계가 포함된 행렬식 감소 (determinant reduction)와, 합의 사례에서 스타 그래프 구조를 활용한 영 공간 상쇄 (null space cancellation)에 있습니다. 분산 행렬 분해 (distributed matrix factorization)에 대한 수치 실험은 이론을 설명하며, 대칭 텐서 분해 (symmetric tensor factorization) 예시는 분리 가능한 합의 설정(separable consensus setting)을 넘어선 더 넓은 Bregman 근사 분할 (Bregman proximal splitting) 아이디어를 입증합니다.