🔢 mathematics

Generalizing Reduced Rank Extrapolation to Low-Rank Matrix Sequences

यह शोध पत्र लो-रैंक मैट्रिसेस के अनुक्रमों और इटरेशन-परिवर्तित मैपिंग फंक्शन वाले फिक्स्ड-पॉइंट प्रक्रियाओं को संभालने के लिए विधि को अनुकूलित करके, लयापुनोव (Lyapunov) और रिकाटी (Riccati) समीकरणों पर इसकी प्रभावशीलता का प्रदर्शन करते हुए, बड़े पैमाने के मैट्रिक्स समीकरणों के पुनरावृत्ति समाधान को त्वरित करने के लिए रिड्यूस्ड रैंक एक्सट्रपलेशन (RRE) के दो नवीन सामान्यीकरण प्रस्तावित करता है।

मूल लेखक: Pascal den Boef, Patrick Kürschner, Xiaobo Liu, Jos Maubach, Jens Saak, Wil Schilders, Jonas Schulze, Nathan van de Wouw

प्रकाशित 2026-05-22

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Pascal den Boef, Patrick Kürschner, Xiaobo Liu, Jos Maubach, Jens Saak, Wil Schilders, Jonas Schulze, Nathan van de Wouw

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 बड़े, भीड़भाड़ वाले लॉट में कार पार्क करने के लिए एकदम सही जगह खोजने की कोशिश कर रहे हैं। आपको ठीक-ठीक नहीं पता कि खाली जगह कहाँ है, इसलिए आप एक अंदाज़ा लगाते हैं, वहाँ तक गाड़ी चलाते हैं, देखते हैं कि क्या वह खाली है, और यदि नहीं, तो आप अपनी स्थिति को थोड़ा बदलते हैं और फिर से प्रयास करते हैं। आप इस "अनुमान लगाओ और जाँचो" (guess-and-check) की प्रक्रिया को बार-बार दोहराते हैं।

गणित और इंजीनियरिंग की दुनिया में, इसे पुनरावृत्ति समाधान (iterative solving) कहा जाता है। आप एक अनुमान से शुरू करते हैं, एक बेहतर अनुमान पाने के लिए एक नियम लागू करते हैं, और तब तक चलते रहते हैं जब तक आप उत्तर के काफी करीब न पहुँच जाएँ।

हालाँकि, कभी-कभी यह प्रक्रिया अविश्वसनीय रूप से धीमी होती है। आप पार्किंग की जगह की ओर बढ़ तो रहे होते हैं, लेकिन आपका हर कदम बहुत छोटा होता है, और वहाँ पहुँचने में अनंत काल लग जाता है। यहीं पर वह पेपर (शोध पत्र) काम आता है।

समस्या: धीमे चलने वाले और बदलते नियम

लेखक दो विशिष्ट सिरदर्दों से निपट रहे हैं जो इस "पार्किंग" प्रक्रिया को और भी कठिन बना देते हैं:

"विशाल" समस्या: कई वास्तविक इंजीनियरिंग समस्याओं में (जैसे कि कार के सस्पेंशन या माइक्रोचिप के कूलिंग सिस्टम को डिजाइन करना), "पार्किंग लॉट का नक्शा" इतना विशाल होता है कि आप एक बार में पूरी चीज़ को देख भी नहीं सकते। इसके बजाय, आप केवल छोटे, सरल रेखाचित्रों (जिन्हें लो-रैंक मैट्रिसेस/low-rank matrices कहा जाता है) को देखते हैं जो सबसे महत्वपूर्ण विवरणों को दर्शाते हैं। प्रक्रिया को तेज करने के तरीके मानक रूप से भ्रमित हो जाते हैं जब वे पूरे नक्शे के बजाय इन रेखाचित्रों को देखने की कोशिश करते हैं।
"बदलते लक्ष्य" की समस्या: आमतौर पर, नियम जिसका उपयोग आप अपने अनुमान को सुधारने के लिए करते हैं, वह हर बार समान रहता है। लेकिन इन जटिल इंजीनियरिंग समस्याओं में, नियम हर एक कदम के साथ बदल जाता है। यह ऐसा है जैसे पार्किंग करने की कोशिश करना, लेकिन पार्किंग लॉट का मैनेजर हर बार आपके हिलने के तरीके के अनुसार स्टीयरिंग व्हील घुमाने के नियमों को बदल रहा है।

समाधान: "स्मार्ट नेविगेटर" (RRE)

यह पेपर रिड्यूस्ड रैंक एक्सट्रपलेशन (RRE) नामक एक तकनीक के एक नए, अपग्रेड किए गए संस्करण को पेश करता है। RRE को एक स्मार्ट नेविगेटर के रूप में समझें जो आपके "अनुमान लगाओ और जाँचो" वाले कदमों पर नज़र रखता है।

मानक नेविगेटर: यदि आप धीरे चल रहे हैं, तो एक मानक नेविगेटर कह सकता है, "ठीक है, आप 1 इंच बाएं और 1 इंच आगे बढ़े। चलिए बस यही फिर से करते हैं।"
स्मार्ट नेविगेटर (RRE): यह नेविगेटर आपके पिछले कुछ कदमों को देखता है, पैटर्न को समझता है, और कहता है, "मैं देख रहा हूँ कि आप एक वक्र (curve) के माध्यम से उस स्थान की ओर बढ़ रहे हैं। दस और छोटे कदम उठाने के बजाय, चलिए सीधे वहीं कूद जाते हैं जहाँ आप होते यदि आप इसी पैटर्न को जारी रखते!" इसे एक्सट्रपलेशन (extrapolation) कहा जाता है—भविष्य की भविष्यवाणी करना ताकि उबाऊ मध्य चरणों को छोड़ा जा सके।

इस पेपर ने वास्तव में क्या किया

लेखकों ने केवल एक नया नेविगेटर नहीं बनाया; उन्होंने दो प्रमुख बग्स (कमियों) को ठीक किया जो इन विशिष्ट, कठिन परिदृश्यों में नेविगेटर को काम करने से रोक रहे थे।

1. "स्केच" अपग्रेड (लो-रैंक सीक्वेंस)
पहले, नेविगेटर केवल तभी काम कर सकता था जब आप उसे पूरा, विशाल नक्शा दिखाते। यदि आप केवल एक छोटा स्केच (एक लो-रैंक मैट्रिक्स) देते, तो यह क्रैश हो जाता या अटक जाता क्योंकि गणित बहुत भारी था।

समाधान: लेखकों ने नेविगेगर को केवल छोटे स्केच देखना सिखाया। उन्होंने केवल छोटी जानकारी के टुकड़ों का उपयोग करके "जंप" (कूदने वाली) गणना करने का तरीका निकाला, जिससे यह सबसे बड़ी समस्याओं के लिए भी तेज़ और कुशल बन गया।

2. "बदलते नियम" अपग्रेड (नॉन-स्टेशनरी प्रोसेस)
पहले, नेविगेटर यह मान लेता था कि खेल के नियम कभी नहीं बदलते। यदि नियम हर कदम पर बदलते हैं (जैसे स्टीयरिंग व्हील का नियम बदलना), तो नेविगेटर भ्रमित हो जाता और गलत अनुमान लगाने लगता, जिससे आपकी गति धीमी हो जाती।

समामान: लेखकों ने नेविगेटर के मस्तिष्क को फिर से लिखा। अब, यह केवल यह नहीं देखता कि अनुमान कितना बदला, बल्कि यह वास्तविक त्रुटि (कि अनुमान लक्ष्य से कितना दूर है) को देखता है। यह इसे उन स्थितियों को संभालने में सक्षम बनाता है जहाँ नियम हर चरण में बदलते हैं, जिससे प्रक्रिया "नॉन-स्टेशनरी" होने पर भी त्वरण (acceleration) प्रभावी बना रहता है।

सबको एक साथ लाना: "डबल-अपग्रेड"

पेपर इन दोनों सुधारों को एक एकल, शक्तिशाली उपकरण में जोड़ता है। उन्होंने इस नए उपकरण का परीक्षण वास्तविक दुनिया के इंजीनियरिंग समीकरणों (विशेष रूप से अल्जेब्रिक रिक्कोटी समीकरणों (Algebraic Riccati Equations) और ल्यपुनोव समीकरणों (Lyapunov Equations)) पर किया, जिनका उपयोग विमान, पावर ग्रिड और माइक्रोचिप्स जैसी चीजों के लिए कंट्रोल सिस्टम डिजाइन करने में किया जाता है।

परिणाम:

कुछ मामलों में, मानक विधि को पर्याप्त करीब पहुँचने के लिए 100 चरणों की आवश्यकता थी।
उनके नए "डबल-अपग्रेड" नेविगेटर के साथ, उसी समस्या को कम चरणों में हल किया गया (कभी-कभी केवल 60 या 70 चरणों में)।
उन्होंने पाया कि यह विधि तब सबसे अच्छा काम करती है जब समस्या "नॉन-लीनियर" (नियम पेचीदा हैं) हो और जब "स्केच" पूर्ण समस्या के आकार की तुलना में छोटे हों।

"रीस्टार्टिंग" (पुनः प्रारंभ करने) पर एक नोट

पेपर "साइक्लिंग" नामक एक रणनीति पर भी चर्चा करता है, जहाँ नेविगेटर एक बड़ा जंप (कूद) लेता है, और फिर ड्राइवर उस नए स्थान से अनुमानों का एक नया सेट शुरू करता है। उन्होंने पाया कि जबकि यह सरल, लीनियर समस्याओं के लिए बहुत अच्छा काम करता है, जटिल, नॉन-लीनियर समस्याओं के लिए यह कभी-कभी ड्राइवर को एक लूप (चक्कर) में फँसा सकता है। वे सुझाव देते हैं कि सबसे जटिल समस्याओं के लिए, इंजन को बहुत अधिक बार रीस्टार्ट करने के बजाय केवल "स्मार्ट जंप" लेते रहना अधिक सुरक्षित हो सकता है।

सारांश

संक्षेप में, यह पेपर एक गणितीय "स्मार्ट नेविगेटर" को यह सिखाता है कि:

विशाल नक्शों के बजाय छोटे, सरल नक्शों को कैसे पढ़ा जाए।
जब खेल के नियम हर मोड़ पर बदलते हैं, तो खुद को कैसे ढालना है।

ऐसा करके, यह इंजीनियरों को पहले की तुलना में बहुत तेज़ी से विशाल, जटिल डिज़ाइन समस्याओं को हल करने में मदद करता है, जिससे समय और कंप्यूटिंग शक्ति की बचत होती है।

तकनीकी सारांश: लो-रैंक मैट्रिक्स अनुक्रमों के लिए रिड्यूस्ड रैंक एक्सट्रपलेशन का सामान्यीकरण

समस्या विवरण (Problem Statement)

रिड्यूस्ड रैंक एक्सट्रपलेशन (RRE) एक सुस्थापित त्वरण तकनीक (acceleration technique) है जो वेक्टर अनुक्रमों को उत्पन्न करने वाली पुनरावृत्ति फिक्स्ड-पॉइंट प्रक्रियाओं (iterative fixed-point processes) के लिए उपयोग की जाती है, जिसका उपयोग आमतौर पर गैर-रेखीय समीकरणों $F(x)=0$ को हल करने के लिए किया जाता है। हालाँकि, बड़े पैमाने के मैट्रिक्स समीकरणों पर इसका अनुप्रयोग दो महत्वपूर्ण चुनौतियाँ प्रस्तुत करता है जिन्हें मानक RRE सीधे संबोधित नहीं कर सकता है:

लो-रैंक संरचना (Low-Rank Structure): नियंत्रण सिद्धांत (control theory) की बड़ी समस्याओं (जैसे, अल्जेब्रिक रिक्को समीकरण (AREs) और ल्यपुनोव समीकरणों) में, पुनरावृत्तियाँ (iterates) $\{X_i\}$ बड़े मैट्रिक्स ( $d \times d$ ) होती हैं जिन्हें संग्रहीत या वेक्टराइज़ करना गणनात्मक रूप से असंभव है। इसके बजाय, इन पुनरावृत्तियों को एक लो-रैंक फैक्टराइज्ड रूप $X_i = Z_i D_i Z_i^T$ में बनाए रखा जाता है जहाँ रैंक $z_i \ll d$ है।
नॉनस्टेशनरी फिक्स्ड-पॉइंट प्रक्रियाएं (Nonstationary Fixed-Point Processes): मानक RRE एक स्टेशनरी प्रक्रिया $x_{i+1} = f(x_i)$ मानता है। हालाँकि, मैट्रिक्स समीकरणों के लिए कई सॉल्वर (जैसे, RADI या ADI) नॉनस्टेशनरी प्रक्रियाओं $x_{i+1} = f_i(x_i)$ का उपयोग करते हैं जहाँ मैपिंग फंक्शन हर पुनरावृत्ति पर बदल जाता है (जैसे, बदलते शिफ्ट मापदंडों के कारण)। ऐसे मामलों में, फिक्स्ड-पॉइंट इटरेशन का रेसिड्यूल ( $f_i(x_i) - x_i$ ) अंतर्निहित समीकरण ( $F(x_i)$ ) के रेसिड्यूल के साथ मेल नहीं खाता है, जिससे यदि मानक RRE लागू किया जाता है तो अभिसरण (convergence) संबंधी समस्याएं उत्पन्न हो सकती हैं।

कार्यप्रणाली (Methodology)

यह शोध पत्र दो नवीन सामान्यीकरणों का प्रस्ताव करता है जो इन चुनौतियों को संबोधित करने के लिए स्वतंत्र रूप से या संयोजन में उपयोग किए जा सकते हैं।

1. लो-रैंक मैट्रिक्स अनुक्रमों के लिए RRE

बड़े मैट्रिक्स को वेक्टराइज़ करने की अत्यधिक लागत से बचने के लिए, लेखक एक ऐसा फॉर्मूलेशन व्युत्पन्न करते हैं जो सीधे लो-रैंक फैक्टर्स पर कार्य करता है।

यूनिटरी इनवेरिएंस (Unitary Invariance): लेम्मा 3.1 का लाभ उठाते हुए, लेखक दिखाते हैं कि एक सममित मैट्रिक्स $\Delta$ का फ्रोबेनियस या स्पेक्ट्रल नॉर्म, उसके रेंज वाले सबस्पेस पर प्रोजेक्शन के तहत अपरिवर्तित रहता है। यह अनुमति देता है कि अनुकूलन समस्या (रेसिड्यूल नॉर्म को न्यूनतम करना) $d \times d$ के बजाय $z \times z$ आकार के एक संक्षिप्त स्थान में हल की जा सके (जहाँ $z$ पुनरावृत्तियों का कुल रैंक है)।
इन्क्रीमेंटल स्ट्रक्चर (Incremental Structure): RADI और ADI जैसे सॉल्वर के लिए, पुनरावृत्तियों का निर्माण लो-रैंक अपडेट्स ( $X_{i+1} = X_i + V_{i+1} \tilde{D}_{i+1} V_{i+1}^T$ ) के माध्यम से किया जाता है। लेखक इस संरचना का लाभ उठाते हुए एक्सट्रपॉलेंट (extrapolant) को इन वृद्धियों (increments) के एक भारित योग (weighted sum) के रूप में व्यक्त करते हैं, जिससे गणनात्मक जटिलता और कम हो जाती है।
एल्गोरिदम 4: यह एल्गोरिदम पूर्ण मैट्रिक्स को असेंबल किए बिना, संकेंद्रीकृत (concatenated) रेसिड्यूल फैक्टर्स के थिन QR-डिकंपोजिशन का उपयोग करके RRE वेट्स (weights) की गणना करता है।

2. नॉनस्टेशनरी फिक्स्ड-पॉइंट प्रक्रियाओं के लिए RRE

लेखक नॉनस्टेशनरी सेटिंग्स में फिक्स्ड-पॉइंट रेसिड्यूल और समीकरण रेसिड्यूल के बीच के अंतर को संबोधित करते हैं।

रेसिड्यूल फॉर्मूलेशन (Residual Formulation): क्रमिक पुनरावृत्तियों के बीच के अंतर ( $(x_{i+1} - x_i)$ ) के नॉर्म को न्यूनतम करने के बजाय, प्रस्तावित विधि अंतर्निहित समीकरण के रेसिड्यूल $F(x_i)$ के नॉर्म को न्यूनतम करती है।
एल्गोरिदम 5 (RREF): यह वेरिएंट पुनरावृत्तियों के अंतर के बजाय समीकरण के रेसिड्यूल अनुक्रम $\{F(x_1), \dots, F(x_n)\}$ का उपयोग करके एक्सट्रपलेशन मैट्रिक्स का निर्माण करता है। यह दृष्टिकोण दिखाया गया है कि नॉनस्टेशनरी प्रक्रियाओं के लिए अभिसरण गति बनाए रखने के लिए आवश्यक है, जैसा कि बदलते मापदंडों के साथ सक्सेसिव ओवर-रिलैक्सेशन (SOR) से संबंधित एक संख्यात्मक उदाहरण में प्रदर्शित हुआ है।

3. बड़े पैमाने के मैट्रिक्स समीकरणों के लिए संयुक्त अनुप्रयोग

यह शोध पत्र बड़े पैमाने के AREs को हल करने के लिए RADI विधि का उपयोग करके इन विस्तारों को एकीकृत करता है।

एल्गोरिदम 7 (RRELR_R): यह एल्गोरिदम लो-रैंक फॉर्मूलेशन को नॉनस्टेशनरी रेसिड्यूल फॉर्मूलेशन के साथ जोड़ता है। यह RRE वेट्स की गणना करने के लिए RADI इटरेशन के दौरान उत्पन्न रेसिड्यूल फैक्टर्स $R_i$ का उपयोग करता है।
सैद्धांतिक गुण (Theoretical Properties): लेखक सिद्ध करते हैं (थ्योरम 3.1) कि एक्सट्रपॉलेंट का रेसिड्यूल इनपुट पुनरावृत्तियों के संकेंद्रीकृत रेसिड्यूल फैक्टर्स के रेंज के भीतर रहता है, जिससे पूर्ण एक्सट्रपॉलेंट बनाए बिना रेसिड्यूल नॉर्म का कुशल मूल्यांकन संभव होता है।
गुणांकों पर प्रतिबंध (Constraints on Coefficients): यह सुनिश्चित करने के लिए कि एक्सट्रपलेटेड समाधान पॉजिटिव सेमी-डेफिनिट (PSD) बना रहे—जो AREs के लिए स्टेबिलाइजिंग सॉल्यूशन की एक आवश्यकता है—लेखक RRE वेट्स पर रैखिक असमानता प्रतिबंध (linear inequality constraints) व्युत्पन्न करते हैं। नॉन-रीस्टार्टिंग स्कीम के लिए, $\sum_{j=i}^n \gamma_j \geq 0$ पर्याप्त है। रीस्टार्टिंग स्कीमों के लिए, लेखक अनुमान लगाते हैं कि रेसिड्यूल को PSD बनाए रखने के लिए $0 \leq \gamma_i \leq 1$ आवश्यक है।

मुख्य परिणाम (Key Results)

प्रस्तावित विधियों का मूल्यांकन कई बड़े पैमाने के स्पार्स मैट्रिक्स समीकरणों पर किया गया, जिनमें शामिल हैं:

नॉनलीन AREs: सिंथेटिक टोप्लिट्ज़ सिस्टम, एक माइक्रोइलेक्ट्रॉनिक चिप मॉडल (चिप), और एक स्टील रेल प्रोफाइल मॉडल।
लीनियर ल्यपुनोव समीकरण: विशिष्ट पदों को शून्य पर सेट करके उन्हीं मॉडलों से प्राप्त लीनियर ल्यपुनोव समीकरण।
मैकेनिकल सिस्टम: एक ट्रिपल चेन मास-स्प्रिंग-डैम्पर सिस्टम।

निष्कर्ष:

त्वरण (Acceleration): उन नॉनलीन AREs में जहाँ मानक RADI विधि ठहराव (stagnation) प्रदर्शित करती है, RRE-त्वरित विधियों ने अभिसरण तक पहुँचने के लिए आवश्यक पुनरावृत्तियों की संख्या को काफी कम कर दिया (उदाहरण के लिए, स्टील रेल प्रोफाइल उदाहरण में पुनरावृत्तियों को 107 से घटाकर 93 कर दिया)।
नॉनस्टेशनरी प्रभावकारिता (Nonstationary Efficacy): नॉनस्टेशनरी प्रक्रियाओं के लिए समीकरण रेसिड्यूल (एल्गोरिदम 5) का उपयोग महत्वपूर्ण था; मानक RRE (पुनरावृत्ति अंतर को न्यूनतम करना) नॉनस्टेशनरी परिदृश्यों में काफी खराब प्रदर्शन करता है या ठहर जाता है।
साइक्लिंग बनाम नॉन-साइक्लिंग (Cycling vs. Non-Cycling): जबकि नॉन-साइक्लिंग मोड आमतौर पर अभिसरण में सुधार करते हैं, साइक्लिंग मोड (एक्सट्रपॉलेंट के साथ प्रक्रिया को पुनः आरंभ करना) कभी-कभी नॉनलीन समस्याओं में ठहराव का कारण बनते हैं। लेखक इसका श्रेय पुनरारंभ (restart) होने पर नॉन-PSD रेसिड्यूल के उत्पन्न होने की संभावना को देते हैं, जो RADI अभिसरण के लिए आवश्यक शर्तों का उल्लंघन करता है।
लीनियर बनाम नॉनलीन: त्वरण नॉनलीन मामलों में सबसे अधिक स्पष्ट था। लीनियर ल्यपुनोव समीकरणों में, मानक ADI पुनरावृत्तियाँ अक्सर पहले से ही निकट-इष्टतम (near-optimal) थीं, जिससे RRE से मामूली लाभ प्राप्त हुआ।
सटीकता (Accuracy): समस्याओं के छोटे पैमाने के संस्करणों पर, RRE समाधानों को सटीक स्टेबिलाइजिंग सॉल्यूशंस के अत्यंत करीब पाया गया (सापेक्ष त्रुटियां $10^{-9}$ से $10^{-14}$ के क्रम में थीं)।

महत्व और दावे (Significance and Claims)

शोध पत्र का दावा है कि यह निम्नलिखित के लिए पहले कुशल स्कीमें प्रदान करता है:

वेक्टराइजेशन के बिना लो-रैंक मैट्रिक्स अनुक्रम।
नॉनस्टेशनरी फिक्स्ड-पॉइंट प्रक्रियाओं द्वारा उत्पन्न पुनरावृत्तियाँ।

लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण मूल सॉल्वर के संबंध में नॉन-इंट्रूसिव (non-intrusive) है (इसे केवल पुनरावृत्तियों और रेसिड्यूल्स तक पहुंच की आवश्यकता है) लेकिन गणनात्मक रूप से कुशल होने के लिए यह रेसिड्यूल स्ट्रक्चर के ज्ञान के संदर्भ में इंट्रूसिव (intrusive) है।

इसका महत्व बड़े पैमाने के नियंत्रण समस्याओं (AREs और ल्यपुनोव समीकरणों) के लिए इटरेटिव सॉल्वर्स को सक्षम करने में निहित है, जहाँ मेमोरी बाधाओं के कारण मानक वेक्टर-आधारित एक्सट्रपलेशन असंभव है और जहाँ शिफ्ट मापदंडों की नॉनस्टेशनरी प्रकृति के कारण मानक RRE विफल हो जाता है। लेखक विनम्रतापूर्वक नोट करते हैं कि हालांकि वे RADI विधि के लिए अभिसरण गारंटी प्रदान करते हैं, RRE-त्वरित नॉनलीन सिस्टम के लिए अभिसरण गारंटी अभी भी एक खुला सैद्धांतिक प्रश्न है, विशेष रूप से रीस्टार्टिंग स्कीमों में PSD संपत्ति के संरक्षण के संबंध में।

कार्य का निष्कर्ष है कि जबकि RRE पुनरावृत्ति गणनाओं को कम करने के लिए, विशेष रूप से नॉनलीन शासन में, पर्याप्त क्षमता प्रदान करता है, तो गणनात्मक ओवरहेड और (PSD गुणों को बनाए रखने के लिए) रीस्टार्टिंग स्थितियों के सावधानीपूर्वक प्रबंधन की आवश्यकता के बीच संतुलन बनाना आवश्यक है। भविष्य के कार्य में RRE को सक्षम करने के लिए एडेप्टिव रणनीतियों और नॉनलीन मामले के लिए कठोर अभिसरण गारंटी प्राप्त करने पर ध्यान केंद्रित करने का सुझाव दिया गया है।