🔢 mathematics

Projection-Free Functional Constrained Optimization for Risk Aversion and Sparsity Control

यह शोध पत्र प्रोजेक्शन-फ्री लेवल कंडिशनल ग्रेडिएंट (LCG) और इनएक्सैक्ट प्रॉक्सिमल पॉइंट LCG (IPP-LCG) विधियों को प्रस्तुत करता है जो क्रमशः उत्तल (convex) और गैर-उत्तल (nonconvex) कार्यात्मक बाधाओं वाले अनुकूलन समस्याओं को हल करने के लिए अत्याधुनिक इटरेशन जटिलताएँ प्राप्त करते हैं, जबकि पोर्टफोलियो अनुकूलन और रेडिएशन थेरेपी जैसे अनुप्रयोगों में जोखिम निवारण और विरलता (sparsity) के बीच प्रभावी ढंग से संतुलन बनाते हैं।

मूल लेखक: Yi Cheng, Guanghui Lan, Saeed Masiha, H. Edwin Romeijn

प्रकाशित 2026-05-12

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yi Cheng, Guanghui Lan, Saeed Masiha, H. Edwin Romeijn

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक बहुत ही कठिन पहेली को हल करने की कोशिश कर रहे हैं। आप सबसे अच्छा समाधान (जैसे सबसे कम लागत या उच्चतम सुरक्षा) खोजना चाहते हैं, लेकिन आपको नियमों के एक सख्त सेट का पालन करने के लिए मजबूर किया जाता है। अनुकूलन (optimization) की दुनिया में, इसे फंक्शनल कंस्ट्रेंड ऑप्टिमाइज़ेशन (Functional Constrained Optimization) कहा जाता है।

यह शोध पत्र इन पहेलियों को हल करने का एक नया तरीका पेश करता है, विशेष रूप से उन स्थितियों के लिए जहाँ:

जोखिम मायने रखता है: आप बुरे परिणामों से बचना चाहते हैं (जैसे पोर्टफोलियो में पैसा खोना या रेडिएशन थेरेपी में मरीज को ओवरडोज़ देना)।
सरलता मायने रखती है: आप चाहते हैं कि समाधान "स्पार्स" (sparse) हो, जिसका अर्थ है कि यह कम से कम गतिशील हिस्सों का उपयोग करे (जैसे 500 शेयरों के बजाय केवल 5 स्टॉक में निवेश करना, या रेडिएशन बीम के लिए केवल कुछ कोणों का उपयोग करना)।

यहाँ रोजमर्रा के उपमाओं (analogies) का उपयोग करके उनके समाधान का विवरण दिया गया है।

समस्या: "प्रोजेक्शन" का जाल (The "Projection" Trap)

आमतौर पर, जब कंप्यूटर इन पहेलियों को हल करने की कोशिश करते हैं, तो वे "प्रोजेक्शन" नामक विधि का उपयोग करते हैं। कल्पना कीजिए कि आप एक कमरे (आपके संभावित समाधानों) में चल रहे हैं और आप गलती से दीवारों के बाहर कदम रख देते हैं (नियम)। कंप्यूटर को आपको भौतिक रूप से दीवार के निकटतम स्थान पर वापस खींचना पड़ता है।

समस्या: यदि कमरे का आकार अजीब है या यदि आप अपने समाधान को "स्पार्स" रखना चाहते हैं (जैसे केवल कुछ विशिष्ट वस्तुओं का उपयोग करना), तो आपको वापस दीवार तक खींचना अविश्वसनीय रूप से धीमा और गणनात्मक रूप से महंगा होता है। यह हर कदम पर एक विशाल, भारी पत्थर को एक संकीर्ण किनारे पर वापस धकेलने जैसा है।

समाधान: "लीनियर मिनिमाइजेशन ओरकल" (LMO)

लेखक एक "प्रोजेक्शन-फ्री" विधि प्रस्तावित करते हैं। आपको वापस दीवार की ओर खींचने के बजाय, वे एक अलग प्रश्न पूछते हैं: "यदि आप अभी जहाँ हैं वहाँ से केवल एक सीधी रेखा में चल सकते हैं, तो कौन सी दिशा आपको लक्ष्य के सबसे करीब ले जाएगी?"

यह एक कम्पास (Compass) (लीनियर मिनिमाइजेशन ओरकल) रखने जैसा है। दीवार के जटिल ज्यामिति (geometry) की गणना करके आपको वापस खींचने के बजाय, कम्पास आपको कमरे के सबसे अच्छे "कोने" की ओर संकेत करता है। यह आपके समाधान को स्वाभाविक रूप से सरल और स्पार्स बनाए रखता है, ठीक वैसे ही जैसे किसी कोने की ओर चलना स्वाभाविक रूप से आपको कमरे के किनारे पर रखता है।

दो नई विधियाँ

शोध पत्र में कठिनाई के स्तर के आधार पर दो अलग-अलग "कम्पास" प्रस्तुत किए गए हैं।

1. मानक पहेलियों के लिए "लेवल-सेट" कम्पास (LCG)

सर्वश्रेष्ठ: कॉनवेक्स (Convex) समस्याओं के लिए (जहाँ पहेली का एक ही चिकना निचला हिस्सा/घाटी होती है)।
उपमा: कल्पना कीजिए कि आप एक धुंधली घाटी में सबसे निचले बिंदु को खोजने की कोशिश कर रहे हैं, लेकिन आपको ठीक से नहीं पता कि तल कितना गहरा है। आपके पास एक अनुमान (एक "लेवल") है।

यह कैसे काम करता है: आप कम्पास से पूछते हैं कि आपके वर्तमान अनुमान से नीचे सबसे अच्छा स्थान कौन सा है।
- यदि कम्पास एक ऐसा स्थान पाता है जो आपके अनुमान से वास्तव में नीचे है, तो आप अपने अनुमान को कम करते हैं और फिर से प्रयास करते हैं।
- यदि कम्पास कहता है, "अरे, आप इससे नीचे नहीं जा सकते," तो आप अपने अनुमान को बढ़ा देते हैं।
जादू: शोध पत्र का दावा है कि यह विधि अविश्वसनीय रूप से कुशल है। यह बिना यह जाने कि नियमों का "आकार" (गणितीय रूप से, लैग्रेंज मल्टीप्लायर्स का परिमाण) क्या है, उत्तर जल्दी से खोज लेती है। यह पूरी पहाड़ी का मानचित्र बनाने के बजाय केवल अपनी ऊंचाई के अनुमान को समायोजित करके घाटी के तल को खोजने जैसा है।

2. कठिन पहेलियों के लिए "वार्म-अप" कम्पास (IPP-LCG)

सर्वश्रेष्ठ: नॉन-कॉनवेक्स (Non-convex) समस्याओं के लिए (जहाँ परिदृश्य में कई पहाड़ और घाटियाँ हैं, और आप एक छोटे गड्ढे में फंस सकते हैं जो वास्तविक तल नहीं है)।
उपमा: कल्पना कीजिए कि इलाके में गड्ढे और नकली घाटियाँ हैं। यदि आप बस नीचे चलते हैं, तो आप फंस सकते हैं।

यह कैसे काम करता है: यह विधि एक "प्रॉक्सिमल" (proximal) ट्रिक का उपयोग करती है। यह अस्थायी रूप से आपके पैरों के नीचे एक "चुंबक" जोड़ देती है जो आपको उस ओर खींचती है जहाँ से आपने अभी शुरुआत की थी। यह गड्ढों को सुचारू बनाता है, जिससे कठिन परिदृश्य एक चिकनी पहाड़ी में बदल जाता है जिसे आसानी से लुढ़का जा सका जा सके।
प्रक्रिया:
1. यह लेवल-सेट कम्पास (LCG) का उपयोग करके समस्या के एक सुचारू (smoothed), आसान संस्करण को हल करता है।
2. यह उस परिणाम को लेता है, "चुंबक" को थोड़ा सा हिलाता है, और अगले आसान संस्करण को हल करता है।
3. यह प्रक्रिया दोहराता है, धीरे-धीरे समाधान को परिष्कृत करता है, जब तक कि वह एक ऐसे स्थान तक न पहुँच जाए जो "पर्याप्त अच्छा" (एक near-KKT point) हो।
परिणाम: यह गारंटी देता है कि एक अव्यवस्थित, नॉन-कॉनवेक्स परिदृश्य में भी, यह समाधान के सबसे अच्छे संभव विकल्प के बहुत करीब पहुँच जाएगा, बिना किसी खराब स्थानीय घाटी में फंसे।

वास्तविक दुनिया के परीक्षण (शोध पत्र ने वास्तव में क्या किया)

लेखकों ने केवल गणित नहीं किया; उन्होंने इन विधियों का दो वास्तविक परिदृश्यों पर परीक्षण किया:

1. पोर्टफोलियो चयन (निवेश)

लक्ष्य: एक ऐसा निवेश पोर्टफोलियो बनाना जो बेंचमार्क के प्रदर्शन से कम होने के जोखिम को कम करे, जबकि शेयरों की संख्या को सख्ती से सीमित रखे (स्पार्सिटी)।
परिणाम: उनकी विधियों (LCG और IPP-LCG) ने अन्य मानक तरीकों की तुलना में कम शेयरों और कम जोखिम वाले पोर्टफोलियो खोजने में सक्षम दिखाया, और यह सब समान 5-सेकंड की समय सीमा के भीतर किया। उन्होंने सिद्ध किया कि एक अच्छा, सरल पोर्टफोलियो खोजने के लिए आपको हर एक स्टॉक की जांच करने की आवश्यकता नहीं है।

2. IMRT (रेडिएशन थेरेपी प्लानिंग)

लक्ष्य: एक ऐसा रेडिएशन उपचार की योजना बनाना जो ट्यूमर को मार दे लेकिन स्वस्थ ऊतकों को बचा ले, और इसके लिए कम बीम कोणों (beam angles) का उपयोग करे (ताकि उपचार तेज़ और सस्ता हो सके)।
परिणाम:
- "स्मूथ" (चिकनी) समस्या के लिए, उनकी विधि ने पिछले सर्वश्रेष्ठ तरीके की तुलना में सुरक्षा नियमों का बेहतर पालन करने वाली योजनाएँ बनाईं।
- "ट्रिकी" (कठिन) संस्करण के लिए, उन्होंने एक चतुर ट्रिक का उपयोग किया: पहले उन्होंने स्मूथ विधि का उपयोग करके एक अच्छी, सरल योजना बनाई, और फिर उसका उपयोग जटिल विधि के लिए "वार्म स्टार्ट" (हेड स्टार्ट) के रूप में किया। इसके परिणामस्वरूप एक ऐसा उपचार प्लान मिला जो चिकित्सकीय रूप से व्यवहार्य था, जिसमें बहुत कम कोणों का उपयोग किया गया था, और जिसमें शून्य से शुरू करने की तुलना में सुरक्षा उल्लंघन काफी कम थे।

सारांश

यह शोध पत्र जटिल अनुकूलन समस्याओं को हल करने का एक नया तरीका पेश करता है जिनमें सरलता (कम चर) और सुरक्षा (सख्त नियम) की आवश्यकता होती है। समाधानों को नियमों के भीतर वापस "खींचने" की धीमी, भारी विधि के बजाय, वे एक "कम्पास" का उपयोग करते हैं जो सीधे सर्वोत्तम कोनों की ओर संकेत करता है। उन्होंने गणितीय रूप से सिद्ध किया कि यह तेज़ है और निवेश तथा कैंसर उपचार योजना पर इसका परीक्षण किया, जिससे यह दिखाया कि सरल, सुरक्षित और प्रभावी समाधान बनाने के लिए यह मौजूदा उपकरणों की तुलना में बेहतर काम करता है।

तकनीकी सारांश: जोखिम निवारण और विरलता नियंत्रण के लिए प्रोजेक्शन-मुक्त कार्यात्मक बाधा अनुकूलन

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र कार्यात्मक बाधा अनुकूलन समस्या को संबोधित करता है:
$\begin{aligned} f^* := \min_{x} \quad & f(x) \\ \text{s. subject to} \quad & h_i(x) \le 0, \quad i = 1, \dots, m, \\ & x \in X, \end{aligned} \tag{1.1}$
जहाँ $X \subseteq \mathbb{R}^n$ एक गैर-रिक्त, कॉम्पैक्ट, उत्तल (convex) सेट है। फलन $h_i$ उचित (proper), निचली अर्ध-सतत (lower semicontinuous) और उत्तल हैं। फलन $f$ का अध्ययन दो व्यवस्थाओं में किया गया है:

उत्तल सेटिंग (Convex Setting): $f$ उत्तल है (संभवतः नॉनस्मूथ)।
गैर-उत्तल सेटिंग (Nonconvex Setting): $f$ डिफरेंशिएबल है और इसके ग्रेडिएंट्स लिप्सचिट्ज़ निरंतर (Lipschitz continuous) हैं।

यह ढांचा उन अनुप्रयोगों को मॉडल करता है जहाँ जोखिम-जागरूक मानदंड और विरलता (sparsity) बाधाएं एक साथ दिखाई देती हैं, जैसे पोर्टफोलियो अनुकूलन (परिसंपत्ति सीमाओं के साथ अंडरपरफॉर्मेंस रिस्क को कम करना) और इंटेंसिटी-मॉड्यूलेटेड रेडिएशन थेरेपी (IMRT) प्लानिंग (बीम चयन की विरलता के साथ ओवरडोज़/अंडरडोज़ को कम करना)।

चुनौती: मानक प्रोजेक्शन-आधारित विधियाँ (जैसे पेनल्टी, ऑगमेंटेड लैग्रेंजियन, प्राइमल-ड्यूल) $X$ पर बार-बार प्रोजेक्शन की मांग करती हैं, जो गणनात्मक रूप से महंगा हो सकता है और समाधान में अंतर्निहित विरल संरचनाओं (sparse structures) को नष्ट कर सकता है। मौजूदा प्रोजेक्शन-मुक्त विधियाँ या तो केवल सरल बाधाओं को संभालती हैं या उनकी जटिलता सीमाएँ इष्टतम डुअल लैग्रेंज मल्टीप्लायर्स के परिमाण पर निर्भर होती हैं, जो कि अत्यधिक बड़े हो सकते हैं।

2. कार्यप्रणाली (Methodology)

लेखक प्रोजेक्शन-मुक्त एल्गोरिदम प्रस्तावित करते हैं जो प्रोजेक्शन को $X$ पर एक लीनियर मिनिमाइजेशन ऑरेकल (LMO) के कॉल से बदलते हैं। मुख्य नवाचार एक लेवल-सेट आउटर लूप (Level-Set Outer Loop) है जो सैडल-पॉइंट उप-समस्याओं के लिए कंडीशनल ग्रेडिएंट ऑरेकल (CGO) के साथ मिलकर काम करता है।

2.1 उत्तल सेटिंग: लेवल कंडीशनल ग्रेडिएंट (LCG)

उत्तल मामले के लिए, समस्या को एक वैल्यू फंक्शन $\phi(l) = \min_{x \in X} \max \{ f(x) - l, h_1(x), \dots, h_m(x) \}$ के मूल (root) को खोजने में परिवर्तित किया जाता है।

आउटर लूप: एक अनुमानित न्यूटन विधि लेवल अनुमान $l_k$ को अपडेट करती है। सटीक ग्रेडिएंट्स के बजाय, यह एक लोअर बाउंड $L_k$ और इनर ऑरेकल से प्राप्त एक अनुमानित सबग्रेडिएंट का उपयोग करती है।
इनर लूप (CGO): एक विशेष कंडीशनल ग्रेडिएंट ऑरेकल सैडल-पॉइंट उप-समस्या $\min_{x \in X} \max_{z \in Z} [f(x) - l_k] + \langle h(x), z \rangle$ $min_{x \in X} max_{z \in Z} [f (x) - l_{k}] + ⟨ h (x), z ⟩$ को हल करता है।
- ऑरेकल एक प्राइमल इटरेट $x_k$ और एक सर्टिफिकेट अंतराल $[L_k, U_k]$ लौटाता है।
- महत्वपूर्ण रूप से, डुअल सेट $Z$ मानक सिम्प्लेक्स है, जिससे यह सुनिश्चित होता है कि विधि इष्टतम लैग्रेंज मल्टीप्लायर्स के परिमाण पर निर्भर नहीं है।
- गैप $U_k - L_k$ स्टॉपिंग रूल और लेवल अपडेट को संचालित करता है।
नॉनस्मूथ विस्तार: संरचित नॉनस्मूथ फंक्शन्स (max-structure) के लिए, विधि CGO फ्रेमवर्क के भीतर नेस्टरोव स्मूथिंग (Nesterov smoothing) का उपयोग करती है, जिससे समान जटिलता क्रम बना रहता है।

2.2 गैर-उत्तल सेटिंग: इनएक्सैक्ट प्रॉक्सिमल पॉइंट LCG (IPP-LCG)

गैर-उत्तल $f$ के लिए, विधि प्रॉक्सिमल पॉइंट रेगुलराइजेशन के माध्यम से समस्या को उत्तल उप-समस्याओं के अनुक्रम में बदल देती है:
$\min_{x \in X} f(x) + L_f \|x - x_{j-1}\|^2 \quad \text{s.t.} \quad h_i(x) \le 0.$

तंत्र: उत्तल सेटिंग से LCG विधि का उपयोग प्रत्येक प्रॉक्सिमल उप-समस्या के लिए एक इनएक्सैक्ट सॉल्वर के रूप में किया जाता है।
आउटपुट: एल्गोरिदम उस इटरेट का चयन करता है जो अनुक्रम में ऑब्जेक्टिव डिक्रीज (कमी) को न्यूनतम करता है।
गारंटी: स्लेटर की स्थिति (Slater's condition) और स्मूथनेस धारणाओं के तहत, विधि एक $(\epsilon, \epsilon)$ -नियर-KKT पॉइंट कंप्यूट करती है।

3. प्रमुख योगदान (Key Contributions)

कार्यात्मक बाधाओं के लिए LCG:
- लेवल कंडीशनल ग्रेडिएंट (LCG) विधि प्रस्तावित करता है।
- $\epsilon$ -इष्टतम और $\epsilon$ -व्यवहार्य (feasible) समाधान प्राप्त करने के लिए $O(\epsilon^{-2} \log(\epsilon^{-1}))$ की इटरेशन कॉम्प्लेक्सिटी प्राप्त करता है।
- महत्व: इसकी जटिलता सीमा इष्टतम डुअल लैग्रेंज मल्टीप्लायर के परिमाण से स्वतंत्र है, जो पूर्ववर्ती प्रोजेक्शन-मुक्त कार्यों (जैसे Lan et al., 2021) की एक सीमा है।
स्मूथ नॉन-कन्वेक्स ऑब्जेक्टिव्स के लिए IPP-LCG:
- IPP-LCG विधि विकसित करता है।
- LCG का उपयोग करके उत्तल उप-समस्याओं के एक अनुक्रम को हल करता है, जिससे सभी इनर सॉल्व्स प्रोजेक्शन-मुक्त रहते हैं।
- $(\epsilon, \epsilon)$ -नियर-KKT पॉइंट कंप्यूट करने के लिए $O(\epsilon^{-3} \log(\epsilon^{-1}))$ की इटरेशन कॉम्प्लेक्सिटी प्राप्त करता है।
सर्टिफिकेट तंत्र (Certificate Mechanism):
- CGO स्पष्ट लोअर और अपर सर्टिफिकेट्स ( $L_k, U_k$ ) लौटाता है जो लेवल अपडेट और स्टॉपिंग रूल्स को संचालित करते हैं, जिससे सटीक सैडल-पॉइंट समाधानों की आवश्यकता समाप्त हो जाती है।

4. संख्यात्मक परिणाम (Numerical Results)

लेखक दो अनुप्रयोग डोमेन पर विधियों का मूल्यांकन करते हैं:

4.1 पोर्टफोलियो चयन

सेटअप: स्टेप-रिस्क ऑब्जेक्टिव्स (CVaR या स्मूथेड नॉन-कन्वेक्स सरोगेट्स के माध्यम से कन्वेक्सिफाइड) के साथ रिस्क-अवेयर पोर्टफोलियो ऑप्टिमाइजेशन और विरलता बाधाएं (एसेट्स की संख्या सीमित करना)।
बेसलाइन्स: फिक्स्ड 5-सेकंड वॉल-क्लॉक बजट के तहत CoexDurCG (प्रोजेक्शन-मुक्त), FISTA, PGD, और विभिन्न विरलता-उन्मुख ह्यूरिस्टिक्स (Greedy+Refit, IRL1, आदि) के विरुद्ध तुलना की गई।
निष्कर्ष:
- कन्वेक्स मॉडल: LCG ने 6 में से 5 डेटासेट्स पर बेस्ट फिक्सेबल आउट-ऑफ-सैंपल स्टेप-रिस्क प्राप्त किया और साथ ही विरलता लक्ष्यों को सख्ती से पूरा किया।
- नॉन-कन्वेक्स मॉडल: IPP-LCG ने 6 में से 4 डेटासेट्स पर बेस्ट फिक्सेबल स्टेप-रिस्क प्राप्त किया।
- ट्रेड-ऑफ: विधियों ने सफलतापूर्वक सटीकता-विरलता ट्रेड-ऑफ को संभाला, और अक्सर समान समय बजट के भीतर व्यवहार्य जोखिम कमी में प्रोजेक्शन-आधारित बेसलाइन्स से बेहतर प्रदर्शन किया।

4.2 इंटेंसिटी-मॉड्यूलेटेड रेडिएशन थेरेपी (IMRT)

सेटअप: ग्रुप-स्पैरसिटी बाधाओं (बीम एंगल की संख्या सीमित करना) और क्लिनिकल डोज-वॉल्यूम बाधाओं के साथ ट्रीटमेंट प्लानिंग।
निष्कर्ष:
- कन्वेक्स: LCG ने समान रनटाइम पर CoexDurCG की तुलना में बाधा संतुष्टि (constraint satisfaction) में सुधार किया।
- नॉन-कन्वेक्स: एक "वार्म-स्टार्ट" रणनीति का परीक्षण किया गया जहाँ एक स्पार्स कन्वेक्स LCG प्लान का उपयोग IPP-LCG रिफाइनमेंट को इनिशियलाइज़ करने के लिए किया गया।
- परिणाम: वार्म-स्टार्टेड IPP-LCG ने कोल्ड-स्टार्ट IPed-LCG की तुलना में अधिकतम बाधा उल्लंघन (0.8438 से 0.1675 तक) को काफी कम कर दिया, जबकि एक क्लिनिकली स्पार्स ट्रीटमेंट स्ट्रक्चर (7 एंगल्स, 20 अपर्चर) को बनाए रखा। कोल्ड-स्टार्ट नॉन-कन्वेक्स ऑप्टिमाइजेशन गंभीर टारगेट अंडरडोज़ के कारण क्लिनिकली व्यवहार्य प्लान खोजने में विफल रहा।

5. महत्व और दावे (Significance and Claims)

यह शोध पत्र दावा करता है कि इसका प्राथमिक योगदान इष्टतम डुअल मल्टीप्लायर्स के परिमाण पर निर्भर किए बिना सामान्य कार्यात्मक बाधाओं तक प्रोजेक्शन-मुक्त विधियों का विस्तार करना है। एक लेवल-सेट आउटर लूप को एक कॉम्पैक्ट सैडल-पॉइंट ऑरेकल के साथ जोड़कर, लेखक कंडीशनल ग्रेडिएंट विधियों के स्पार्स रिप्रेजेंटेशन लाभों को बनाए रखते हैं (जहाँ इटरेट एक्सट्रीम पॉइंट्स के कन्वेक्स कॉम्बिनेशन के रूप में होते हैं) और जटिल नॉन-लीनियर बाधाओं को भी संभालते हैं।

संख्यात्मक परिणाम बताते हैं कि:

LCG उत्तल जोखिम-विरलता समस्याओं के लिए प्रभावी है, जो मौजूदा प्रोजेक्शन-मुक्त और प्रोजेक्शन-आधारित विधियों के मुकाबले प्रतिस्पर्धी या बेहतर प्रदर्शन प्रदान करता है।
IPP-LCG सबसे अधिक प्रभावी तब होता है जब इसे रैंडम स्टार्ट के बजाय एक उच्च-गुणवत्ता वाले स्पार्स कन्वेक्स सॉल्यूशन के साथ इनिशियलाइज़ किया जाता है।

लेखक निष्कर्ष निकालते हैं कि ये विधियाँ उन बड़े पैमाने के अनुप्रयोगों के लिए विशेष रूप से उपयुक्त हैं जहाँ प्रोजेक्शन महंगे होते हैं और स्पार्स स्ट्रक्चरल रिप्रेजेंटेशन वांछनीय होता है। भविष्य के कार्य की दिशाओं में हल्के नॉन-कन्वेक्स स्कीम्स विकसित करना, स्लेटर-टाइप धारणाओं को शिथिल करना और इम्प्लिसिट फिक्सेबल सेट्स के लिए एप्लिकेशन-विशिष्ट LMOs डिजाइन करना शामिल है।