🔢 mathematics

Communication Complexity of Exact Sampling under Rényi Information

यह शोध पत्र एक्सपोनेंशियल कॉस्ट (कैंपबेल का औसत कोडवर्ड लंबाई) के तहत सटीक सैंपलिंग के लिए इष्टतम एसिम्प्टोटिक संचार लागत स्थापित करता है, जो रेनी डाइवर्जेंस द्वारा अभिलक्षित सटीक निचली और ऊपरी सीमाओं को व्युत्पन्न करके, यह प्रदर्शित करता है कि इस शासन में गैर-कारण (नॉनकॉज़ल) सैंपलर अपेक्षित संदेश लंबाई के मामले के विपरीत, कारण (कॉज़ल) सैंपलर्स से स्पष्ट रूप से बेहतर प्रदर्शन करते हैं।

मूल लेखक: Spencer Hill, Fady Alajaji, Tamás Linder

प्रकाशित 2026-04-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Spencer Hill, Fady Alajaji, Tamás Linder

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 शेफ (Sender) हैं जो अपने एक दोस्त (Receiver) को एक विशिष्ट, गुप्त रेसिपी (एक sample) भेजना चाहते हैं।

यहाँ एक शर्त है: आप दोनों के पास एक विशाल, साझा कुकबुक (cookbook) है जिसमें हजारों असंबंधित रेसिपी भरी हुई हैं (यह आपकी Shared Randomness है)। आप पूरी गुप्त रेसिपी नहीं भेजना चाहते क्योंकि वह बहुत लंबी या जटिल हो सकती है। इसके बजाय, आप अपने दोस्त को एक साधारण नोट भेजना चाहते हैं: "हमारी साझा कुकबुक में पेज नंबर K पर जाओ, और उस पेज पर तुम्हें वही सटीक गुप्त रेसिपी मिल जाएगी जिसकी तुम्हें आवश्यकता है।"

इस शोध पत्र का लक्ष्य यह पता लगाना है कि इस काम को हर बार पूरी तरह से करने के लिए आप सबसे छोटा संभव नोट कैसे भेज सकते हैं।

समस्या: नोट कितना छोटा हो सकता है?

अतीत में, वैज्ञानिकों ने पूछा था: "नोट की औसत लंबाई क्या है?" (जैसे, "आमतौर पर, मैं 5 शब्दों का नोट भेजता हूँ, लेकिन कभी-कभी 20 शब्दों का")। उन्होंने पाया कि औसत लंबाई इस बात पर निर्भर करती है कि आपकी गुप्त रेसिपी कुकबुक की यादृच्छिक (random) रेसिपी से कितनी अलग है।

लेकिन यह शोध पत्र एक अलग, अधिक व्यावहारिक प्रश्न पूछता है: "क्या होगा यदि हमें लंबे नोट्स से बहुत नफरत हो?"

कल्पना कीजिए कि आप इस नोट को एक बहुत ही धीमे, महंगे कनेक्शन के माध्यम से भेज रहे हैं, या आपके पास एक बहुत छोटा मेलबॉक्स है जो बहुत लंबा होने पर फट जाता है। इस स्थिति में, दस 10-शब्दों वाले नोट्स के बजाय एक एकल 100-शब्दों वाला नोट बहुत बुरा है, भले ही उनका औसत समान हो। आप "बर्स्ट" (overflow) के जोखिम को कम करना चाहते हैं।

इस प्रभाव को मापने के लिए, लेखक एक विशेष "लागत मीटर" का उपयोग करते हैं जिसे कैम्पबेल का कॉस्ट (Campbell's Cost) कहा जाता है। यह केवल शब्दों को नहीं गिनता; यह लंबे नोट्स को दंडित करता है। एक 10-शब्दों का नोट 10 अंक खर्च कर सकता है, लेकिन एक 20-शब्दों का नोट 1,000 अंक खर्च कर सकता है।

बड़ी खोज: "आगे देखना" बनाम "एक समय में एक कदम"

यह पेपर दो प्रकार के शेफ (एल्गोरिदम) की तुलना करता है जो सही पेज नंबर K खोजने की कोशिश कर रहे हैं:

द कॉज़ल शेफ (The Causal Chef - अधीम वाला): यह शेफ कुकबुक को पेज दर पेज खोलता है, पेज 1 से शुरू करके। वे जाँचते हैं: "क्या यह सही रेसिपी है? नहीं? ठीक है, पेज 2 देखें।" वे तब तक रुकते हैं जब तक उन्हें मैच नहीं मिल जाता। वे पेज 1 से 99 तक की जाँच किए बिना पेज 100 को कभी नहीं देखते।
द नॉन-कॉज़ल शेफ (The Non-Causal Chef - दूरदर्शी): इस शेफ को पूरी कुकबुक को तुरंत पलटकर देखने, सबसे अच्छा संभावित मैच खोजने और फिर अपने दोस्त को पेज नंबर बताने की अनुमति है। वे "आगे देख" (look ahead) सकते हैं।

चौंकाने वाला परिणाम:

"औसत" लागत के लिए: दोनों शेफ समान रूप से अच्छे हैं। इससे कोई फर्क नहीं पड़ता कि आप आगे देखते हैं या नहीं; औसत नोट की लंबाई समान रहती है।
"महंगे/लंबे नोट" की लागत के लिए: दूरदर्शी शेफ बहुत बड़े अंतर से जीतता है। अधीम शेफ को कभी-कभी गहराई तक खुदाई करने के लिए मजबूर होना पड़ता है (जैसे पेज 1,000 पर मैच मिलना), जिससे एक बहुत लंबा, महंगा नोट बनता है। दूरदर्शी शेफ खराब पेजों को छोड़ सकता है और एक ऐसा मैच चुन सकता है जिसके परिणामस्वरूप छोटा नोट मिले।

यह पेपर सिद्ध करता है कि यदि आप उन दुर्लभ, अत्यंत लंबे नोट्स से बचना चाहते हैं, तो आपको "दूरदर्शी" दृष्टिकोण अपनाना ही होगा। "अधीर" दृष्टिकोण इस विशिष्ट परिदृश्य में गणितीय रूप से बहुत अधिक महंगा होने के लिए अभियुक्त है।

गणित का जादू: रेनी डायवर्जेंस (Rényi Divergence)

लेखक यह मापने के लिए कि गुप्त रेसिपी कुकबुक की रैंडम रेसिपी से "कितनी अलग" है, एक फैंसी गणितीय उपकरण का उपयोग करते हैं जिसे रेनी डायवर्जेंस (Rényi Divergence) कहा जाता है।

रेनी डायवर्जेंस को एक "कठिनाई स्कोर" (Difficulty Score) के रूप में सोचें।
यदि गुप्त रेसिपी रैंडम रेसिपी के बहुत समान है, तो स्कोर कम होता है, और नोट छोटा होता है।
यदि गुप्त रेसिपी पूरी तरह से अद्वितीय है, तो स्कोर उच्च होता है, और नोट लंबा होता है।

पेपर एक नया फॉर्मूला प्रदान करता है जो आपको बताता है कि इस कठिनाई स्कोर के आधार पर आपका नोट वास्तव में कितना लंबा होना चाहिए। उन्होंने एक "लोअर बाउंड" (निचली सीमा - जो सबसे अच्छा हो सकता है) और एक "अपर बाउंड" (ऊपरी सीमा - एक विधि जो उस सर्वश्रेष्ठ के बहुत करीब पहुँचती है) पाया है।

"पॉइसन" ट्रिक (The "Poisson" Trick)

परफेक्ट नोट की लंबाई के करीब पहुँचने के लिए, लेखक एक चतुर ट्रिक का उपयोग करते हैं जिसे पॉइसन फंक्शनल रिप्रेजेंटेशन (Poisson Functional Representation) कहा जाता है।

कल्पना कीजिए कि कुकबुक के पन्नों पर अदृश्य "तारे" (यादृच्छिक बिंदु) बिखरे हुए हैं। गुप्त रेसिपी में भी तारे बिखरे हुए हैं। ट्रिक यह है कि उस पेज को ढूँढना जहाँ तारे गुप्त रेसिपी के साथ पूरी तरह से संरेखित (align) होते हैं। यह विधि दूरदर्शी शेफ को अनुकूलतम पेज नंबर कुशलतापूर्वक खोजने की अनुमति देती है, यह सुनिश्चित करती है कि दोस्त को भेजा गया नोट यथासंभव छोटा हो, भले ही लंबे नोट्स से बचने को प्राथमिकता दी जा रही हो।

यह क्यों मायने रखता है?

यह केवल रेसिपी के बारे में नहीं है। यह निम्नलिखित पर लागू होता है:

डीप लर्निंग (Deep Learning): विशाल AI मॉडल्स को कंप्रेस करना।
डेटा बफ़र्स (Data Buffers): कंप्यूटर मेमोरी के ओवरफ्लो को रोकना जब डेटा पैकेट बहुत लंबे हों।
संचार (Communication): उन चैनलों पर डेटा भेजना जहाँ लंबे संदेश बहुत महंगे या विफल होने की संभावना वाले होते हैं।

संक्षेप में सारांश

लक्ष्य: एक साझा सूची की ओर इशारा करके एक गुप्त वस्तु भेजना, और लंबे संदेश भेजने के जोखिम को कम करना।
पुराना तरीका: बस औसत संदेश को छोटा बनाने की कोशिश करना।
नया तरीका: यह सुनिश्चित करना कि आपको कभी भी एक बहुत बड़ा संदेश न भेजना पड़े, भले ही इसके लिए औसत थोड़ा अधिक हो जाए।
सबक: बड़े संदेशों से बचने के लिए, आपको "आगे देखने" की क्षमता की आवश्यकता है और तुरंत सबसे अच्छा विकल्प चुनने की आवश्यकता है, न कि एक-एक करके चीजों की जाँच करने की। यह पेपर इसे गणितीय रूप से सिद्ध करता है और आपको सर्वोत्तम संभव संदेश की लंबाई की गणना करने के लिए सटीक फॉर्मूले देता है।

संक्षेप में: यदि आपको लंबे संदेशों से नफरत है, तो केवल एक-एक करके चीजें चेक न करें। पहले पूरी तस्वीर देखें।

यहाँ हिल, अलाजाजी और लिंडर के शोध पत्र "Communication Complexity of Exact Sampling under Rényi Information" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र घातीय संचार लागत (exponential communication cost) के तहत सटीक नमूनाकरण (exact sampling) (जिसे चैनल सिमुलेशन या रिलेटिव एंट्रॉपी कोडिंग भी कहा जाता है) की समस्या का समाधान करता है।

सेटअप (Setup): एक प्रेषक (sender) और प्राप्तकर्ता (receiver) एक प्रस्ताव वितरण (proposal distribution) $Q$ से प्राप्त i.i.d. साझा यादृच्छिकता (common randomness) $\{U_i\}_{i \ge 1}$ साझा करते हैं। प्रेषक एक इंडेक्स $K$ को संप्रेषित करना चाहता है ताकि $K$ -वाँ नमूना $U_K$ लक्ष्य वितरण $P$ का अनुसरण करे (अर्थात, $U_K \sim P$ )।
उद्देश्य (Objective): इंडेक्स $K$ को प्रसारित करने की संचार लागत को कम करना।
लागत मीट्रिक (Cost Metric): अपेक्षित संदेश लंबाई (शैनन एंट्रॉपी) पर ध्यान केंद्रित करने वाले पिछले कार्यों के विपरीत, यह शोध पत्र कैम्पबेलल कॉस्ट (Campbell cost) (क्रम $t$ $t$ का औसत कोडवर्ड लंबाई) को कम करता है, जिसे इस प्रकार परिभाषित किया गया है:
$L(t) = \frac{1}{t} \log \left( \mathbb{E}[2^{t l(C(K))}] \right)$
जहाँ $l(C(K))$ $l (C (K))$ , $K$ $K$ के लिए कोडवर्ड की लंबाई है।
- जैसे-जैसे $t \to 0$ होता है, $L(t)$ , अपेक्षित संदेश लंबाई $\mathbb{E}[l(C(K))]$ में परिवर्तित हो जाता है।
- $t > 0$ के लिए, यह लागत लंबे कोडवर्ड को घातीय रूप से दंडित करती है, जो बफर ओवरफ्लो के प्रति संवेदनशील अनुप्रयोगों के लिए महत्वपूर्ण है।
मुख्य प्रश्न (Key Question): $L(t)$ की मौलिक सीमा क्या है, और यह रेनी डाइवर्जेंस (Rényi divergence) से कैसे संबंधित है? इसके अलावा, कारण संबंधी (causal) नमूनाकार (क्रमबद्ध, स्टॉपिंग-टाइम आधारित) गैर-कारण संबंधी (noncausal) नमूनाकारों (जो अनुक्रम में आगे देख सकते हैं) की तुलना में कैसे भिन्न हैं?

2. कार्यप्रणाली (Methodology)

लेखक सूचना-सैद्धांतिक असमानताओं (information-theoretic inequalities), संभाव्यता निरूपणों (probabilistic representations) और कोडिंग सिद्धांत के संयोजन का उपयोग करते हैं।

रेनी सूचना माप (Rényi Information Measures): विश्लेषण को रेनी एंट्रॉपी $H_\alpha$ और रेनी डाइवर्जेंस $D_\alpha(P||Q)$ का उपयोग करके फ्रेम किया गया है, जहाँ क्रम $\alpha$ को $t$ द्वारा $\alpha = \frac{1}{1+t}$ के रूप में जोड़ा गया है।
पॉइसन फंक्शनल रिप्रेजेंटेशन (Poisson Functional Representation - PFR): उपयोग किया गया एक केंद्रीय उपकरण Li और El Gamal द्वारा प्रस्तुत PFR है। यह गैर-कारण विधि इंडेक्स $K$ को इस प्रकार परिभाषित करती है:
$K := \arg \min_{i \ge 1} \frac{T_i}{\frac{dP}{dQ}(U_i)}$
जहाँ $\{T_i\}$ एक दर-एक (rate-one) पॉइसन प्रक्रिया है। यह निरूपण $K$ के मोमेंट्स (moments) पर कड़े बंधन (bounds) प्राप्त करने की अनुमति देता है।
मोमेंट बाउंड्स (Moment Bounds): प्रमाण मुख्य रूप से $\mathbb{E}[K^\alpha]$ $E [K^{α}]$ और बाइजेक्शन $g$ $g$ के लिए $\mathbb{E}[(g(K))^\alpha]$ $E [(g (K))^{α}]$ के लिए निचली और ऊपरी सीमाएँ स्थापित करने पर निर्भर करते हैं।
- निचली सीमा (Lower Bound): Liu और Verdú के परिणामों का विस्तार करके प्राप्त की गई है, जो यह दर्शाती है कि किसी भी नमूनाकरण एल्गोरिदम को $D_{\alpha+1}(P||Q)$ से संबंधित विशिष्ट मोमेंट बाधाओं को पूरा करना चाहिए।
- ऊपरी सीमा (Upper Bound): विशिष्ट वेरिएबल-लेंथ कोड (जैसे, एलियास ओमेगा कोड या अनुकूलित प्रीफिक्स कोड) का उपयोग करके PFR द्वारा उत्पन्न इंडेक्स $K$ को एनकोड करके बनाई गई है और परिणामी कैम्पबेलल कॉस्ट को सीमित किया गया है।
एसिम्प्टोटिक विश्लेषण (Asymptotic Analysis): शोध पत्र वन-शॉट परिणामों को उस स्थिति तक विस्तारित करता है जहाँ लक्ष्य एक प्रोडक्ट डिस्ट्रीब्यूशन $P^{\otimes n}$ है और साझा यादृच्छिकता $Q^{\otimes n}$ है।

3. मुख्य योगदान (Key Contributions)

A. कैम्पबेलल कॉस्ट पर निचली सीमाएँ (Lower Bounds on Campbell Cost)

लेखक किसी भी सटीक नमूनाकरण एल्गोरिदम (कारण या गैर-कारण) के लिए एक मौलिक निचली सीमा स्थापित करते हैं:
$L(t) \ge \max \left\{ D_{1/\alpha}(P||Q) + \frac{\alpha}{1-\alpha}\log(\alpha) - 1, \quad D_{2-\alpha}(P||Q) + \frac{1}{1-\alpha}\log\left(\frac{1}{2-\alpha}\right) \right\}$
जहाँ $\alpha = \frac{1}{1+t}$ ।

प्रमुख पद $1/\alpha$ का रेनी डाइवर्जेंस है, अर्थात $D_{1/\alpha}(P||Q)$ ।
यह ज्ञात निचली सीमा $\mathbb{E}[l(C(K))] \ge D(P||Q)$ का सामान्यीकरण करता है (जो $t \to 0, \alpha \to 1$ होने पर प्राप्त होता है)।

B. PFR के माध्यम से ऊपरी सीमाएँ (Upper Bounds via Poisson Functional Representation)

PFR का उपयोग करते हुए, लेखक एक ऊपरी सीमा सिद्ध करते हैं जो एक छोटे स्थिरांक अंतराल (constant gap) के भीतर सटीक है:
$L(t) \le (1+\epsilon) D_{\frac{1+\epsilon(1-\alpha)}{\alpha}}(P||Q) + c_1(\alpha, \epsilon)$

अग्रणी रेनी डाइवर्जेंस पद का क्रम $1/\alpha$ (निचली सीमा के क्रम) के बहुत करीब है।
स्थिरांक पद $c_1(\alpha, \epsilon)$ परिमित है लेकिन $\alpha \to 0$ होने पर बढ़ता है।
संख्यात्मक उदाहरण दिखाते हैं कि ऊपरी और निचली सीमाएँ आमतौर पर 5–10 बिट्स के भीतर होती हैं।

C. ऑपरेशनल यूनिवर्सल कोडिंग (Operational Universal Coding)

शोध पत्र एक यूनिवर्सल कोड (जैसे एलियास ओमेगा कोड) का उपयोग करके एक रचनात्मक प्रक्रिया प्रदान करता है जो एक ऊपरी सीमा देता है:
$L(t) \le D_{\frac{2-\alpha}{\alpha}}(P\\Q) + (1+\epsilon)\log(D(P||Q)+1) + c_2(\epsilon)$
यह सीमा $\alpha \to 1$ होने पर Harsha et al. के परिणाम में बदल जाती है।

D. एसिम्प्टोटिक इष्टतमता और कारण बनाम गैर-कारण अंतर (Asymptotic Optimality and Causal vs. Noncausal Gap)

इष्टतम दर (Optimal Rate): i.i.d. अनुक्रमों के लिए, प्रति नमूना इष्टतम एसिम्प्टोटिक कैम्पबेलल कॉस्ट है:
$\lim_{n \to \infty} \frac{L^*_n(t)}{n} = D_{1/\alpha}(P||Q)$
कारण बनाम गैर-कारण (Causal vs. Noncausal): एक प्रमुख निष्कर्ष घातीय लागत के तहत कारण और गैर-कारण नमूनाकारों के बीच स्पष्ट पृथक्करण (strict separation) है।
- गैर-कारण नमूनाकार (Noncausal samplers) इष्टतम दर $D_{1/\alpha}(P||Q)$ प्राप्त करते हैं।
- कारण नमूनाकार (Causal samplers) (जो साझा यादृच्छिकता को क्रमिक रूप से संसाधित करते हैं) का एसिम्प्टोटिक दर स्पष्ट रूप से खराब है, जो $D_\beta(P||Q)$ द्वारा सीमित है जहाँ $\beta > 1/\alpha$ ।
- कुछ मामलों में (जैसे, अलग-अलग माध्य वाले गॉसियन वितरण), कारण नमूनाकारों के लिए एसिम्प्टोटिक लागत कुछ $t$ के लिए अनंत होती है, जबकि गैर-कारण नमूनाकार परिमित रहते हैं। यह $t=0$ (अपेक्षित संदेश लंबाई) के मामले में बिल्कुल विपरीत है, जहाँ दोनों प्रकार $D(P||Q)$ की समान दर प्राप्त करते हैं।

E. चैनल सिमुलेशन सामान्यीकरण (Channel Simulation Generalization)

परिणामों को चैनल सिमुलेशन तक विस्तारित किया गया है, जो एक रेनी-सामान्यीकृत स्ट्रॉन्ग फंक्शनल रिप्रेजेंटेशन लेम्मा (Strong Functional Representation Lemma) स्थापित करता है। रेनी कंडीशनल एंट्रॉपी $H_\alpha(Y|Z)$ को सिबसन $\alpha$ -म्युचुअल इंफॉर्मेशन $I^s_\alpha(X;Y)$ द्वारा ऊपरी रूप से सीमित किया गया है।

4. परिणाम और संख्यात्मक उदाहरण (Results and Numerical Examples)

वितरण (Distributions): लेखक नॉर्मल (Normal) और लैप्लास (Laplacian) वितरणों का विश्लेषण करते हैं।
गैप विश्लेषण (Gap Analysis): दोनों वितरणों के लिए, व्युत्पन्न ऊपरी और निचली सीमाएँ $\alpha$ (विशेष रूप से $0.2 < \alpha < 1$ ) की एक विस्तृत श्रृंखला में अत्यंत निकट (5–10 बिट्स के भीतर) हैं।
चरम व्यवहार (Behavior at Extremes):
- जैसे-जैसे $\alpha \to 1$ ( $t \to 0$ ) होता है, सीमाएँ मानक अपेक्षित संदेश लंबाई परिणामों में परिवर्तित हो जाती हैं।
- जैसे-जैसे $\alpha \to 0$ ( $t \to \infty$ ) होता है, लागत काफी बढ़ जाती है, और रेनी डाइवर्जेंस का विशिष्ट क्रम महत्वपूर्ण हो जाता है।
कंप्यूटेशनल सुगमता (Computational Tractability): प्रस्तावित सीमाओं के लिए कई मानक वितरणों के लिए क्लोज्ड-फॉर्म एक्सप्रेशन उपलब्ध हैं, जबकि भारी पूंछ वाले वितरणों (heavy-tailed distributions) के लिए इंडेक्स $K$ की सटीक रेनी एंट्रॉपी ( $H_\alpha(K)$ ) की गणना करना अक्सर कम्प्यूटेशनल रूप से कठिन होता है।

5. महत्व (Significance)

सैद्धांतिक प्रगति (Theoretical Advancement): यह कार्य रैखिक संचार लागत (शैनन) और घातीय लागत (कैम्पबेल) के बीच के अंतर को पाटता है, जो घातीय दंड के तहत सटीक नमूनाकरण का पहला सटीक लक्षण वर्णन प्रदान करता है।
व्यावहारिक प्रासंगिकता (Practical Relevance): घातीय लागत मॉडल उन प्रणालियों के लिए महत्वपूर्ण है जिनमें सख्त विलंबता (latency) या बफर बाधाएं होती हैं (जैसे, डीप लर्निंग कम्प्रेशन, रीयल-टाइम संचार) जहाँ लंबे कोडवर्ड विनाशकारी हो सकते हैं।
कारणता की मौलिक सीमा (Fundamental Limit of Causality): शोध पत्र घातीय लागत के संदर्भ में कारण एल्गोरिदम की एक मौलिक सीमा को प्रकट करता है। जबकि कारणता अपेक्षित लंबाई के मामले में प्रदर्शन को नुकसान नहीं पहुँचाती है, यह लंबे संदेशों को दंडित करने पर एक गंभीर दंड लगाती है। यह सुझाव देता है कि उच्च-विश्वसनीयता, कम-विलंबता वाले अनुप्रयोगों के लिए, गैर-कारण (या "लुक-अहेड") रणनीतियाँ सैद्धांतिक रूप से आवश्यक हैं।
नए उपकरण (New Tools): रेनी सूचना मापों के साथ स्ट्रॉन्ग फंक्शनल रिप्रेजेंटेशन लेम्मा का विस्तार वन-शॉट कोडिंग समस्याओं, वेरिएबल-लेंथ लॉसलेस सोर्स कोडिंग और नॉन-लीनियर कॉस्ट फंक्शन के तहत मल्टीपल डिस्क्रिप्शन कोडिंग के विश्लेषण के लिए नए मार्ग खोलता है।

संक्षेप में, यह शोध पत्र घातीय दंड के तहत सटीक नमूनाकरण की इष्टतम दर का लक्षण वर्णन करता है, यह सिद्ध करता है कि इष्टतम दर $1/\alpha$ के क्रम के रेनी डाइवर्जेंस द्वारा नियंत्रित होती है, और यह प्रदर्शित करता है कि गैर-कारण नमूनाकरण, कारण नमूनाकरण की तुलना में स्पष्ट रूप से श्रेष्ठ है।