📊 statistics

Fundamental Bias in Inverting Random Sampling Matrices with Application to Sub-sampled Newton

यह शोध पत्र रैंडम सैंपलिंग और स्ट्रक्चर्ड रैंडम प्रोजेक्शन मैट्रिसेस में अंतर्निहित इन्वर्जन बायस (inversion bias) को ठीक करने की विधियों का प्रस्ताव करता है, जिससे मशीन लर्निंग और रैंडमाइज्ड न्यूमेरिकल लीनियर अल्जेब्रा में सब-सैंप्ल्ड न्यूटन मेथड्स के लिए प्रॉब्लम-इंडिपेंडेंट लोकल कन्वर्जेंस रेट्स सक्षम होते हैं।

मूल लेखक: Chengmei Niu, Zhenyu Liao, Zenan Ling, Michael W. Mahoney

प्रकाशित 2026-03-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chengmei Niu, Zhenyu Liao, Zenan Ling, Michael W. Mahoney

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

यहाँ सरल भाषा और रचनात्मक उपमाओं (analogies) का उपयोग करके शोध पत्र (paper) की व्याख्या दी गई है।

बड़ी तस्वीर: वह "शॉर्टकट" जो परिणाम को बिगाड़ देता है

कल्पना कीजिए कि आप एक शेफ हैं और एक शहर के उत्सव के लिए एक विशाल केक बनाने की कोशिश कर रहे हैं। रेसिपी (गणितीय समस्या) के अनुसार, आपको एकदम सही स्वाद पाने के लिए 10,000 अलग-अलग सामग्रियों को मिलाना होगा।

समस्या: 10,000 सामग्रियों को मिलाना बहुत समय लेता है। आप उत्सव शुरू होने से पहले इसे पूरा नहीं कर सकते।
शॉर्टकट (रैंडम सैंपलिंग): सभी 10,000 सामग्रियों का उपयोग करने के बजाय, आप केवल 100 रैंडम सामग्रियां चुनकर उन्हें मिलाने का निर्णय लेते हैं। आप उम्मीद करते हैं कि यह छोटा सा नमूना (sample) पूरे मिश्रण का पर्याप्त प्रतिनिधित्व करेगा ताकि एक अच्छा केक बन सके।
पेंच (The Catch): मशीन लर्निंग की दुनिया में, यह शॉर्टकट स्वाद का अनुमान लगाने के लिए बहुत अच्छा काम करता है। लेकिन जब आप उस शॉर्टकट का उपयोग रेसिपी को रिवर्स-इंजीनियर करने के लिए करते हैं (यानी किसी गलती को ठीक करने के लिए सटीक अनुपात खोजने के लिए), तो गणित जटिल हो जाता है।

यह पेपर उस शॉर्टकट में मौजूद एक विशिष्ट "ग्लिच" (खराबी) के बारे में है। यह पता चला है कि भले ही आपका 100-सामग्री वाला नमूना पूरे मिश्रण का एक निष्पक्ष प्रतिनिधित्व है, लेकिन उसका गणितीय व्युत्क्रम (mathematical inverse या "undo" बटन) बायस्ड (biased/पक्षपाती) है। यह ऐसा ही है जैसे यदि आप अपने छोटे नमूने के आधार पर चीनी की सटीक मात्रा की गणना करने की कोशिश करें, और गणित लगातार आपको आपसे 10% अधिक चीनी डालने के लिए कहे।

मुख्य समस्या: "विकृत दर्पण" (The Distorted Mirror)

गणित में, हमें अक्सर एक मैट्रिक्स (संख्याओं का एक विशाल ग्रिड) का "इनवर्स" (व्युत्क्रम) निकालने की आवश्यकता होती है। एक मैट्रिक्स को एक दर्पण की तरह समझें।

लक्ष्य: हम अपने प्रतिबिंब को स्पष्ट रूप से देखना चाहते हैं।
शॉर्टकट: हम एक "रैंडम सैंपलिंग मिरर" का उपयोग करते हैं जो समय बचाने के लिए प्रतिबिंब के केवल कुछ पिक्सेल दिखाता है।
बायस (Bias): भले ही पिक्सेल निष्पक्ष रूप से चुने गए हों, लेकिन जिस तरह से दर्पण छवि को उल्टा (reverse) करता है, वह विकृत होता है। यदि आप इस विकृत दर्पण से मूल चेहरे को फिर से बनाने की कोशिश करते हैं, तो परिणाम थोड़ा गलत होता है। पेपर की भाषा में, इसे इनवर्जन बायस (Inversion Bias) कहा जाता है।

लंबे समय से वैज्ञानिक जानते थे कि यह कुछ प्रकार के दर्पणों (जैसे डेंस गौसियन प्रोजेक्शन) के साथ होता है, लेकिन वे नहीं जानते थे कि डेटा साइंस में उपयोग किए जाने वाले सबसे लोकप्रिय और तेज़ दर्पणों के लिए इसे कैसे ठीक किया जाए: रैंडम सैंपलिंग।

समाधान: "कैलिब्रेशन नॉब" (The Calibration Knob)

इस पेपर के लेखकों ने खोजा कि यह दर्पण वास्तव में कैसे विकृत होता है और सबसे महत्वपूर्ण बात यह कि इसे कैसे ठीक किया जाए।

रैंडम सैंपलिंग प्रक्रिया को भीड़ की फोटो खींचने वाले कैमरे की तरह समझें।

पुराना तरीका: आप 100 लोगों की फोटो लेते हैं। आप मान लेते हैं कि फोटो पूरी भीड़ का सटीक प्रतिनिधित्व करती है।
खामी: जब आप उस फोटो के केवल "इनवर्स" के आधार पर पूरी भीड़ की "औसत ऊंचाई" की गणना करने की कोशिश करते हैं, तो गणित थोड़ा गलत हो जाता है क्योंकि फोटो केवल एक हिस्सा है, पूरी भीड़ नहीं।
नया समाधान (डी-बायसिंग): लेखकों ने महसूस किया कि यदि आप जानते हैं कि फोटो में कौन से लोग थे (विशेष रूप से, वे कितने "महत्वपूर्ण" या "प्रभावशाली" हैं), तो आप एक कैलिब्रेशन नॉब (calibration knob) लगा सकते हैं।

उन्होंने एक नया फॉर्मूला विकसित किया जो एक स्मार्ट फिल्टर की तरह काम करता है। शॉर्टकट का उपयोग करने से पहले, यह फिल्टर आपके द्वारा चुने गए नमूनों के वजन (weight) को एडजस्ट करता है।

यदि आपने एक "अत्यधिक प्रभावशाली" व्यक्ति को चुना है (जो डेटा के एक बड़े हिस्से का प्रतिनिधित्व करता है), तो फिल्टर कहता है, "ठीक है, हमें इसे थोड़ा कम करना होगा ताकि हम उन्हें ज़रूरत से ज़्यादा न गिन लें।"
यदि आपने एक "साधारण" व्यक्ति को चुना है, तो यह उसे वैसा ही छोड़ देता है।

इस समायोजन को डी-बायसिंग (De-biasing) कहा जाता है। यह आपकी फोटो में सुधार के लिए थोड़े से 'करेक्शन फ्लूइड' (सुधार तरल) डालने जैसा है, ताकि जब आप भीड़ की औसत ऊंचाई को रिवर्स-इंजीनियर करें, तो आपको बिल्कुल सही उत्तर मिले, न कि थोड़ा गलत।

यह क्यों महत्वपूर्ण है: "सब-सैम्पल्ड न्यूटन" (Sub-sampled Newton) विधि

यह पेपर एक बहुत ही लोकप्रिय ऑप्टिमाइज़ेशन विधि पर इस सुधार को लागू करता है जिसे सब-सैम्पल्ड न्यूटन (SSN) कहा जाता है।

उपमा: कल्पना कीजिए कि आप अंधेरे में एक पहाड़ से नीचे उतर रहे हैं (किसी समस्या का सबसे अच्छा समाधान ढूंढ रहे हैं)।
पुराना तरीका: आप अपने पैरों के नीचे की जमीन (ग्रेडिएंट) को महसूस करते हैं और ढलान का अनुमान लगाते हैं। यह तेज़ है, लेकिन आप काफी ज़िग-ज़ैग (टेढ़े-मेढ़े) हो सकते हैं, जिससे नीचे पहुँचने में बहुत समय लग सकता है।
न्यूटन का तरीका: आप पहाड़ के घुमाव (Hessian) को देखते हैं ताकि सीधे नीचे की ओर एक बड़ी, सटीक छलांग लगाई जा सके। यह बहुत तेज़ है, लेकिन एक विशाल पहाड़ के घुमाव की गणना करने में बहुत समय लगता है।
SSN का तरीका: आप घुमाव का अनुमान लगाने के लिए पहाड़ के केवल एक छोटे से हिस्से (रैंडम सैsembling) को देखते हैं। यह तेज़ है, लेकिन इनवर्जन बायस के कारण, आपकी छलांगें लक्ष्य से थोड़ी भटक जाती हैं। आप थोड़ा ज़िग-ज़ैग करते हैं।

पेपर का योगदान: अपने नए "कैलिब्रेशन नॉब" (डी-बायसिंग तकनीक) को लागू करके, SSN विधि अब उन बड़ी छलांगों को बिल्कुल सीधा नीचे की ओर ले जा सकती है, जो लगभग उतनी ही सटीक है जितनी कि पूरे पहाड़ को देखने से मिलती, लेकिन इसकी गति केवल एक छोटे हिस्से को देखने जैसी तेज़ है।

परिणाम: तेज़ और स्मार्ट

लेखकों ने वास्तविक दुनिया के डेटा (जैसे हस्तलिखित अंकों और कारों की छवियों) पर इसका परीक्षण किया।

पहले: शॉर्टकट तरीके तेज़ थे लेकिन वे पुराने, सटीक तरीकों की तरह जल्दी परिणाम (converge) तक नहीं पहुँच पाते थे।
अब: उनके नए "डी-बायस्ड" शॉर्टकट के साथ, यह विधि तेज़ और अधिक सटीक है। यह पुराने "तेज़" तरीकों को मात देती है और "परफेक्ट लेकिन धीमे" तरीकों को टक्कर देती है।

एक वाक्य में सारांश

यह पेपर तेज़ डेटा शॉर्टकट्स में छिपे एक गणितीय विरूपण (distortion) को ठीक करता है, जिससे कंप्यूटर एक अंदाज़ लगाने की गति के साथ लेकिन एक सटीक गणना की सटीकता के साथ विशाल समस्याओं को हल कर सकते हैं।

गैर-गणित विशेषज्ञों के लिए मुख्य बातें

रैंडम सैंपलिंग गति के लिए बेहतरीन है, लेकिन जब आप गणित को "उल्टा" (reverse) करने की कोशिश करते हैं, तो यह एक सूक्ष्म त्रुटि पैदा करती है।
लेखकों ने इस त्रुटि को खोजा और इसे ठीक करने के लिए एक सरल "करेक्शन फैक्टर" (कैलिब्रेशन नॉब) बनाया।
यह AI और डेटा विश्लेषण को तेज़ बनाता है, जिससे हम हफ्तों तक कंप्यूटर के नंबर क्रंच करने का इंतज़ार किए बिना विशाल डेटासेट पर मॉडल को ट्रेन कर सकते हैं।

यहाँ शोध पत्र "Fundamental Bias in Inverting Random Sampling Matrices with Application to SSN" (Niu, Liao, Ling, और Mahoney द्वारा) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

रैंडमाइज्ड न्यूमेरिकल लीनियर अल्जेब्रा (RandNLA) बड़े पैमाने के मशीन लर्निंग कार्यों को गति देने के लिए रैंडम स्केचिंग (प्रोजेक्शन या सैंपलिंग) का उपयोग करता है। एक सामान्य दृष्टिकोण एक ऊंचे मैट्रिक्स (tall matrix) $A \in \mathbb{R}^{n \times d}$ ( $n \gg d$ ) के लिए एक स्केच $\tilde{A} = SA$ का निर्माण करना है, ताकि ग्राम मैट्रिक्स (Gram matrix), $(A^\top A + C)$ के व्युत्क्रम (inverse) का अनुमान लगाया जा सके, जहाँ $C$ एक पॉजिटिव सेमी-डेफिनिट रेगुलराइज़र है।

यद्यपि स्केच $\tilde{A}^\top \tilde{A}$ अक्सर $A^\top A$ का एक अनबायस्ड एस्टिमेटर (unbiased estimator) होता है (अर्थात $\mathbb{E}[\tilde{A}^\top \tilde{A}] = A^\top A$ ), मैट्रिक्स इनवर्स ऑपरेटर की नॉन-लिनियरिटी यह दर्शाती है कि स्केच का व्युत्क्रम बायस्ड (biased) होता है:
$\mathbb{E}[(\tilde{A}^\top \tilde{A} + C)^{-1}] \neq (A^\top A + C)^{-1}$
यह घटना, जिसे इनवर्जन बायस (inversion bias) कहा जाता है, सब-सैम्प्ल्ड न्यूटन (SSN) जैसे सेकंड-ऑर्डर ऑप्टिमाइज़ेशन विधियों के प्रदर्शन को कम कर देती है।

पिछले कार्यों (जैसे, Dereziński et al., 2021) ने डेंस गौसियन (dense Gaussian) और स्पार्स सब-गौसियन (sparse sub-Gaussian) (LESS) प्रोजेक्शन के लिए इस बायस को सफलतापूर्वक विश्लेषित और सुधारा है। हालाँकि, ये परिणाम रैंडम सैंपलिंग (यूनिफॉर्म या लीवरेज-आधारित) या स्ट्रक्चर्ड रैंडम प्रोजेक्शन (जैसे SRHT) पर लागू नहीं होते थे, जहाँ मौजूदा प्रमाण तकनीकें 'वैक्यूअस' (निरर्थक/बेकार) बाउंड्स प्रदान करती थीं। यह शोध पत्र इस अंतराल को संबोधित करता है: क्या रैंडम सैंपलिंग और स्ट्रक्चर्ड प्रोजेक्शन के इनवर्जन बायस को सटीक रूप से विश्लेषित और सुधारा जा सकता है ताकि प्रॉब्लम-इंडिपेंडेंट कन्वर्जेंस रेट सक्षम किया जा सके?

2. कार्यप्रणाली (Methodology)

लेखक रैंडमली सैम्पल्ड मैट्रिसेस के स्पेक्ट्रल गुणों का विश्लेषण करने के लिए नॉन-एसिम्टोटिक रैंडम मैट्रिक्स थ्योरी (RMT) के उपकरणों का उपयोग करते हैं।

A. बायस का सूक्ष्म लक्षण वर्णन (Fine-Grained Characterization of Bias)

मानक सबस्पेस एम्बेडिंग तर्कों पर निर्भर रहने के बजाय, लेखक अपेक्षित व्युत्क्रम (expected inverse) के लिए एक सेल्फ-कंसिस्टेंट समीकरण (self-consistent equation) व्युत्पन्न करते हैं।

वे एक डायगोनल मैट्रिक्स $D$ को परिभाषित करते हैं जिससे स्केच का अपेक्षित व्युत्क्रम एक संशोधित मैट्रिक्स के व्युत्क्रम के लगभग बराबर होता है:
$\mathbb{E}[(A^\top S^\top S A + C)^{-1}] \approx (A^\top D A + C)^{-1}$
डायगोनल एंट्रीज $D_{ii}$ को लीवरेज स्कोर $\ell_i^C$ और सैंपलिंग प्रोबेबिलिटी $\pi_i$ को शामिल करने वाले एक फिक्स्ड-पॉइंट समीकरण द्वारा निर्धारित किया जाता है:
$D_{ii} = \frac{m}{m + a_i^\top (A^\top D A + C)^{-1} a_i / \pi_i}$
यह प्रकट करता है कि बायस केवल एक साधारण स्केलर फैक्टर नहीं है, बल्कि यह सैंपलिंग डिस्ट्रीब्यूशन के विशिष्ट स्ट्रक्चर और लीवरेज स्कोर पर निर्भर करता है।

B. डी-बायसिंग रणनीति (De-biasing Strategy)

सूक्ष्म विश्लेषण के आधार पर, लेखक एक मैट्रिक्स-वैल्यूड डी-बायसिंग स्कीम (matrix-valued de-biasing scheme) का प्रस्ताव करते हैं।

वे मूल सैंपलिंग मैट्रिक्स $S$ को री-वेट (re-weight) करके एक नया सैंपलिंग मैट्रिक्स $\check{S}$ निर्मित करते हैं:
$\check{S} = \text{diag}\left( \sqrt{\frac{m}{m - \ell_{is}^C / \pi_{is}}} \right) \cdot S$
यह री-वेटिंग सेल्फ-कंसिस्टेंट समीकरण से प्राप्त बायस टर्म को प्रभावी रूप से रद्द कर देती है, जिससे $(A^\top \check{S}^\top \check{S} A + C)^{-1}$ वास्तविक $(A^\top A + C)^{-1}$ का एक अनबायस्ड एस्टिमेटर बन जाता है।

C. एप्रोक्सिमेट और स्ट्रक्चर्ड मामले (Approximate and Structured Cases)

एप्रोक्सिमेट लीवरेज स्कोर: लेखक दिखाते हैं कि री-वेटिंग फैक्टर में कंप्यूटेशनल रूप से कुशल एप्रोक्सिमेट लीवरेज स्कोर का उपयोग करने से बायस में केवल नगण्य वृद्धि होती है, बशर्ते कि वह एक निश्चित फैक्टर के भीतर हो।
SRHT के लिए स्केलर डी-बायसिंग: सब-सैम्पल्ड रैंडमाइज्ड हैडामार्ड ट्रांसफॉर्म (SRHT) के लिए, लीवरेज स्कोर लगभग यूनिफॉर्म होते हैं। इस विशिष्ट मामले में, जटिल मैट्रिक्स री-वेटिंग एक स्केलर री-स्केलिंग (scalar rescaling) फैक्टर $\frac{m}{m - d_{\text{eff}}}$ में सरल हो जाती है, जो गौसियन केस के समान है लेकिन सैंपलिंग संदर्भ में इसका कठोर औचित्य (rigorous justification) दिया गया है।

3. मुख्य योगदान (Key Contributions)

इनवर्जन बायस का सटीक लक्षण वर्णन: यह शोध पत्र सामान्य रैंडम सैंपलिंग (यूनिफॉर्म और लीवरेज-आधारित) और स्ट्रक्चर्ड प्रोजेक्शन (SRHT) के लिए पहले गैर-वैक्यूअस, फाइन-ग्रेंड इनवर्जन बायस लक्षण वर्णन प्रदान करता है। यह गौसियन प्रोजेक्शन के लिए उपयोग किए जाने वाले "लीव-वन-आउट" स्केलर विश्लेषण से आगे बढ़ता है।
नवीन डी-बायसिंग तकनीक: यह मूल सैंपलिंग मैट्रिक्स को री-वेट करने वाली एक विधि (थ्योरम 3.2) पेश करता है जो बायस को ठीक करती है। यह सिद्ध करता है कि यह स्कीम एक $(\epsilon, \delta)$ -अनबायस्ड एस्टिमेटर प्रदान करती है।
SSN के लिए प्रॉब्लम-इंडिपेंडेंट कन्वर्जेंस रेट्स: रैंडम सैंपलिंग का उपयोग करके सब-सैम्पल्ड न्यूटन विधियों पर इस डी-बायसिंग तकनीक को लागू करके, लेखक SSN के लिए पहले प्रॉब्लम-इंडिपेंडेंट लोकल कन्वर्जेंस रेट्स स्थापित करते हैं। कन्वर्जेंस रेट न्यूटन स्केच (जो डेंस गौसियन प्रोजेक्शन का उपयोग करता है) के समान है, जिससे पिछले प्रतिबंधों को पार किया गया जहाँ दरें कंडीशन नंबर या लिप्सचिट्ज़ कांस्टेंट पर निर्भर थीं।
फेज ट्रांजिशन विश्लेषण: यह शोध पत्र एप्रोक्सिमेट लीवरेज सैंपलिंग के तहत स्केलर डी-बायसिंग (उपयोग $\frac{m}{m-d_{\text{eff}}}$ ) के व्यवहार का विश्लेषण करता है। यह एक फेज ट्रांजिशन की पहचान करता है: यदि सैंपलिंग डिस्ट्रीब्यूशन सटीक लीवरेज सैंपलिंग के पर्याप्त करीब है, तो स्केलर डी-बायसिंग अच्छा काम करता है; अन्यथा, बायस काफी बढ़ जाता है, जिससे फाइन-ग्राइंड मैट्रिक्स री-वेटिंग आवश्यक हो जाती है।

4. परिणाम (Results)

सैद्धांतिक परिणाम (Theoretical Results)

थ्योरम 3.1 और 3.2: यह स्थापित करते हैं कि डी-बायस्ड रैंडम सैंपलिंग स्केच का व्युत्क्रम वास्तविक व्युत्क्रम का एक अनबायस्ड एस्टिमेटर है, जिसके एरर बाउंड्स प्रभावी आयाम (effective dimension) $d_{\text{eff}}$ और नमूनों की संख्या $m$ पर निर्भर करते हैं।
थ्योरम 4.3: यह सिद्ध करता है कि डी-बायस्ड SSN एल्गोरिदम स्थानीय रूप से $\frac{d_{\text{eff}}}{m}$ के अनुपात में दर से कन्वर्ज होता है। यह दर समस्या के कंडीशन नंबर से स्वतंत्र है, जो पूर्व SSN विश्लेषणों की तुलना में एक महत्वपूर्ण सुधार है।

प्रायोगिक परिणाम (Empirical Results)

डेटासेट: लॉजिस्टिक रिग्रेशन का उपयोग करके MNIST और CIFAR-10 डेटासेट पर प्रयोग किए गए।
प्रदर्शन:
- डी-बायस्ड SSN ने "कॉम्प्लेक्सिटी-कन्वर्जेंस" ट्रेड-ऑफ के मामले में न्यूटन-LESS विधि (जो रैंडम प्रोजेक्शन का उपयोग करती है) को लगातार पछाड़ा।
- जबकि Newton-LESS का रनिंग टाइम स्केच साइज $m$ के साथ काफी बढ़ गया, प्रस्तावित SSN-ARLev (डी-बायसिंग के साथ एप्रोक्सिमेट रिज लीवरेज स्कोर का उपयोग करना) बेहतर कन्वर्जेंस प्राप्त करते हुए लगभग स्थिर रनिंग टाइम बनाए रखता है।
- विभिन्न सैंपलिंग स्कीम्स (SRHT, श्रिंकेज लीवरेज, एप्रोक्सिमेट लीवरेज) में से, डी-बायसिंग के साथ एप्रोक्सिमेट रिज लीवरेज (ARLev) ने गति और सटीकता का सबसे अच्छा संतुलन प्रदान किया।
- संख्यात्मक प्रयोगों ने पुष्टि की कि प्रस्तावित स्केलर और मैट्रिक्स डी-बायसिंग तकनीकें अन-करेक्टेड स्केचेस की तुलना में इनवर्जन बायस के स्पेक्ट्रल नॉर्म को नाटकीय रूप से कम करती हैं।

5. महत्व (Significance)

यह कार्य रैंडमाइज्ड न्यूमेरिकल लीनियर अल्जेब्रा और रैंडम मैट्रिक्स थ्योरी के बीच एक महत्वपूर्ण अंतर को पाटता है।

व्यावहारिक प्रभाव: यह सेकंड-ऑर्डर ऑप्टिमाइज़ेशन में कन्वर्जेंस गारंटी से समझौता किए बिना रैंडम सैंपलिंग (जो रैंडम प्रोजेक्शन की तुलना में अक्सर सस्ता और अधिक स्केलेबल होता है, विशेष रूप से स्पार्स डेटा के लिए) का उपयोग करने में सक्षम बनाता है।
सैद्धांतिक प्रगति: यह सैंपलिंग-आधारित इनवर्स के पिछले विश्लेषणों में "वैक्यूअस बाउंड्स" की समस्या को हल करता है, जिससे डी-बायसिंग के लिए एक कठोर आधार मिलता है।
एल्गोरिद्मिक सुधार: प्रस्तावित डी-बायस्ड SSN मेथड डेंस गौसियन आधारित न्यूटन स्केच के समान कन्वर्जेंस रेट प्राप्त करते हुए कम कंप्यूटेशनल ओवरहेड के साथ एक व्यावहारिक विकल्प प्रदान करता है, जो इसे विशाल-पैमाने के मशीन लर्निंग अनुप्रयोगों के लिए अत्यधिक उपयुक्त बनाता है।

संक्षेप में, यह शोध पत्र प्रदर्शित करता है कि रैंडम सैंपलिंग में निहित इनवर्जन बायस को सटीक रूप से समझकर और ठीक करके, हम रैंडम प्रोजेक्शन की कंप्यूटेशनल दक्षता को बरकरार रखते हुए डेंस गौसियन स्केचेस के सैद्धांतिक लाभ प्राप्त कर सकते हैं।