📊 statistics

A Sketch-and-Project Analysis of Subsampled Natural Gradient Algorithms

यह शोध पत्र सबसैम्पल्ड नेचुरल ग्रेडिएंट डिसेंट (subsampled natural gradient descent) को एक स्क्वेयर्ड वॉल्यूम सैंपलिंग प्रॉक्सी (squared volume sampling proxy) के साथ स्केच-एंड-प्रोजेक्ट विधि के रूप में पुनर्गठित करके इसके विश्लेषण को आगे बढ़ाता है, जिससे सिंगल मिनी-बैचेस के लिए ग्लोबल कन्वर्जेंस गारंटी स्थापित होती है और SGD पर इसके स्पेक्ट्रल लाभों तथा SPRING मोमेंटम स्कीम के साथ इसके संबंध में नई अंतर्दृष्टि प्राप्त होती है।

मूल लेखक: Gil Goldshlager, Jiang Hu, Lin Lin

प्रकाशित 2026-06-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Gil Goldshlager, Jiang Hu, Lin Lin

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 केक के बैटर (घोल) के छोटे नमूने चखकर एक आदर्श रेसिपी (इष्टतम समाधान) खोजने की कोशिश कर रहे हैं। आपके पास एक विशाल रसोई है जिसमें लाखों सामग्रियां (पैरामीटर्स) हैं, लेकिन आप एक बार में केवल एक छोटा चम्मच ही चख सकते हैं (एक "मिनी-बैच")।

यह शोध पत्र एक विशिष्ट खाना पकाने की तकनीक के बारे में है जिसे सबसैम्प्ड नेचुरल ग्रेडिएंट डिसेंट (SNG) कहा जाता है। वैज्ञानिक मशीन लर्निंग (जैसे क्वांटम भौतिकी का अनुकरण करना या जटिल समीकरणों को हल करना) की दुनिया में, यह तकनीक एक सुपरस्टार है क्योंकि यह मानक तरीकों की तुलना में बहुत तेज़ी से और अधिक सटीकता से आदर्श रेसिपी खोज लेती है। हालाँकि, अब तक वैज्ञानिकों को पूरी तरह से समझ नहीं आया था कि जब आपके पास बैटर का केवल एक छोटा सा चम्मच हो, तो यह इतना अच्छा काम क्यों करता है।

यहाँ इस शोध पत्र के निष्कर्षों का सरल उपमाओं (analogies) के माध्यम से विवरण दिया गया है:

1. पुराना तरीका: "दो-चम्मच" वाली गलती

लंबे समय तक, गणितज्ञों ने यह समझाने की कोशिश की कि SNG क्यों काम करता है, इसके लिए उन्होंने यह कल्पना की कि आप हर कदम के लिए दो अलग-अलग चम्मचों का उपयोग करते हैं:

चम्मच A यह पता लगाने के लिए बैटर को चखता है कि किस दिशा में आगे बढ़ना है।
चम्मच B यह पता लगाने के लिए बैटर को चखता है कि आपकी संवेदनशीलता (प्रीकंडीशनर) को कैसे समायोजित किया जाए।

उन्होंने माना कि ये दो चम्मच स्वतंत्र थे। समस्या यह है कि वास्तविक जीवन में, आपके पास केवल एक ही चम्मच होता है। आप दोनों काम करने के लिए एक ही छोटे नमूने का उपयोग करते हैं। जब नमूना बहुत छोटा होता है (जो वैज्ञानिक समस्याओं में आम है), तो "दो-चम्मच" वाला सिद्धांत विफल हो जाता है। यह दो अलग-अलग, असंबंधित बादलों को देखकर मौसम की भविष्यवाणी करने जैसा है; यह आपको नहीं बताता कि आसमान में वास्तव में क्या हो रहा है।

2. नया दृष्टिकोण: "स्केच-एंड-प्रोजेक्ट" (Sketch-and-Project)

लेखक इस समस्या को देखने का एक नया तरीका प्रस्तावित करते हैं। SNG को एक फैंसी ग्रेडिएंट डिसेंट के रूप में देखने के बजाय, वे इसे एक स्केच-एंड-प्रोजेक्ट विधि के रूप में देखते हैं।

द स्केच (The Sketch): कल्पना कीजिए कि आपके पास एक विशाल, जटिल 3D मूर्ति (समस्या) है। आप एक कोण से उसकी एक त्वरित, धुंधली फोटो लेते हैं ( "स्केच")। यह फोटो अधूरी है, लेकिन यह सबसे महत्वपूर्ण विशेषताओं को पकड़ लेती है।
द प्रोजेक्ट (The Project): फिर आप अपने वर्तमान मॉडल को उस धुंधली फोटो के अनुरूप ढालने की कोशिश करते हैं।

यह शोध पत्र तर्क देता है कि SNG अनिवार्य रूप से समस्या की एक धुंधली फोटो लेना है और अपने वर्तमान अनुमान को उस समाधान स्थान (solution space) पर प्रोजेक्ट करना है जो उस फोटो द्वारा परिभाषित है। यह परिप्रेक्ष्य शक्तिशाली है क्योंकि यह तब भी पूरी तरह से काम करता है जब आपकी फोटो बहुत छोटी और धुंधली हो।

3. गुप्त सामग्री: "स्क्वेर्ड वॉल्यूम सैंपलिंग" (Squared Volume Sampling)

अपने सिद्धांत को सिद्ध करने के लिए, लेखकों ने स्क्वेर्ड वॉल्यूम सैंपलिंग (SVS) नामक एक गणितीय ट्रिक का उपयोग किया।

उपमा: कल्पना कीजिए कि आप एक पूरे एल्बम का प्रतिनिधित्व करने के लिए कुछ तस्वीरें चुनने की कोशिश कर रहे हैं। एक सामान्य तरीका तस्वीरों को यादृच्छिक (randomly) रूप से चुनता है। SVS अधिक स्मार्ट है: यह ऐसी तस्वीरें चुनता है जो एक-दूसरे से जितनी अलग हो सकें, उतनी अलग हों। यदि आप दो ऐसी तस्वीरें चुनते हैं जो बिल्कुल एक जैसी दिखती हैं, तो आप कुछ भी नया नहीं सीखते। SVS यह सुनिश्चित करता है कि आप विविध "कोणों" का एक सेट चुनें जो सबसे अधिक क्षेत्र को कवर करे।

लेखकों ने दिखाया कि यदि वे SNG का विश्लेषण इस तरह से करें जैसे कि यह इस "स्मार्ट विविधता" वाले सैंपलिंग का उपयोग कर रहा हो (भले ही वास्तविक दुनिया का SNG साधारण रैंडम सैंपलिंग का उपयोग करता हो), तो गणित अचानक समझ में आने लगता है। यह प्रकट करता है कि एल्गोरिदम की अपेक्षित दिशा वास्तव में समाधान की ओर एक सटीक, प्री-कंडीशन किया गया कदम है।

4. यह हमें गति के बारे में क्या बताता है

यह शोध पत्र दो बड़ी अंतर्दृष्टि प्रकट करता है कि छोटे-नमूना सेटिंग्स में SNG इतना तेज़ क्यों है:

"स्पेक्ट्रल डिके" (Spectral Decay) का लाभ: कई वैज्ञानिक समस्याओं में, डेटा में "सूचना" कुछ प्रमुख दिशाओं में केंद्रित होती है (जैसे सूप में कुछ प्रमुख स्वाद), जबकि बाकी केवल शोर (noise) है। मानक तरीके (जैसे SGD) सभी दिशाओं के साथ समान व्यवहार करते हैं। SNG, हालांकि, एक ऐसे शेफ की तरह है जो तुरंत प्रमुख स्वादों को पहचान लेता है और केवल उन पर ध्यान केंद्रित करता है। शोध पत्र गणितीय रूप से सिद्ध करता है कि SLF इस "स्पेक्ट्रल डिके" का लाभ उठाकर बहुत तेज़ी से अभिसरण (converge) कर सकता है, भले ही नमूने बहुत छोटे हों।
"SPRING" एल्गोरिदम: SNG का एक लोकप्रिय, तेज़ संस्करण है जिसे SPRING (जो मोमेंटम जोड़ता है, जैसे एक लुढ़कती हुई गेंद) कहा जाता है। वर्षों से, लोग इसका उपयोग इसलिए करते रहे क्योंकि यह काम करता था, लेकिन नहीं जानते थे कि क्यों। यह शोध पत्र दिखाता है कि SPRING वास्तव में "स्केच-एंड-प्रोजेक्ट" पद्धति को "त्वरण" (acceleration) तकनीकें लागू करने का एक स्वाभाविक परिणाम है। यह कोई जादू नहीं है; यह केवल प्रोजेक्टिंग और एक्सीलरेटिंग का गणितीय तालमेल है।

सारांश

शोध पत्र कहता है: "इस जटिल एल्गोरिदम का विश्लेषण करने के लिए दो अलग-अलग डेटा सेट होने का नाटक करना बंद करें। इसके बजाय, इसे एक ऐसी विधि के रूप में देखें जो समस्या का एक त्वरित स्केच लेती है और समाधान को उस पर प्रोजेक्ट करती है। जब आप ऐसा करते हैं, तो आप महसूस करते हैं कि SNG छोटे-नमूना सेटिंग्स में समाधान खोजने में अविश्वसनीय रूप से कुशल है क्योंकि यह स्वाभाविक रूप से डेटा के सबसे महत्वपूर्ण हिस्सों पर ध्यान केंद्रित करता है, और SPRING जैसे लोकप्रिय त्वरण (acceleration) के तरीके इसी प्रक्रिया के तार्किक अगले चरण हैं।"

यह वैज्ञानिकों को इन एल्गोरिदम पर अधिक भरोसा करने में मदद करता है जब वे भौतिकी और रसायन विज्ञान की उच्च-परिशुद्धता वाली समस्याओं को हल कर रहे होते हैं, जहाँ वे अक्सर डेटा की विशाल मात्रा का उपयोग करने में सक्षम नहीं होते हैं।

तकनीकी सारांश: सबसैम्प्ल्ड नेचुरल ग्रेडिएंट एल्गोरिदम का एक स्केच-एंड-प्रोजेक्ट विश्लेषण

1. समस्या विवरण (Problem Statement)

सबसैम्प्ल्ड नेचुरल ग्रेडिएंट (SNG) एल्गोरिदम हाई-प्रिसिजन साइंटिफिक मशीन लर्निंग (SciML) के लिए एक महत्वपूर्ण उपकरण के रूप में उभरे हैं, विशेष रूप से न्यूरल नेटवर्क वेवफंक्शंस (NNWs) और फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs) जैसे अनुप्रयोगों में। इन डोमेन में, सामान्यीकरण (generalization) की तुलना में सटीकता (precision) को प्राथमिकता दी जाती है, और SNG ने Adam या SGD जैसे मानक ऑप्टिमाइज़र्स की तुलना में बेहतर प्रदर्शन प्रदर्शित किया है।

हालाँकि, SNG की सैद्धांतिक समझ सीमित है, विशेष रूप से छोटे-सैंपल सेटिंग्स (small-sample settings) में जहाँ नमूनों (samples) की संख्या ( $k$ ), मापदंडों (parameters) की संख्या ( $n$ ) की तुलना में कई गुना कम होती है। मानक विश्लेषण स्टोकेस्टिक प्रीकंडीशनिंग (stochastic preconditioning) पर निर्भर करते हैं, जिसमें आमतौर पर स्टोकेस्टिक ग्रेडिएंट को स्टोकेस्टिक प्रीकंडीशनर से अलग करने के लिए दो स्वतंत्र मिनी-बैच का उपयोग करके एक सैद्धांतिक प्रॉक्सी की आवश्यकता होती है। लेखक तर्क देते हैं कि यह पृथक्करण (decoupling) रणनीति वास्तविक छोटे-सैंपल रिजीम में सार्थक अंतर्दृष्टि प्रदान करने में विफल रहती है। ऐसी सेटिंग्स में, स्टोकेस्टिक प्रीकंडीशनर पैरामीटर स्पेस के केवल एक बहुत छोटे हिस्से को कैप्चर करता है, जिससे यह एक स्वतंत्र स्टोकेस्टिक ग्रेडिएंट के लिए सूचनात्मक होने की संभावना कम हो जाती है। फलस्वरूप, मौजूदा विश्लेषण अक्सर विस्तृत अभिसरण दरों (convergence rates) के बजाय केवल जेनेरिक ग्लोबल कन्वर्जेंस गारंटी ही प्रदान करते हैं।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र SNG के विश्लेषण में एक प्रतिमान परिवर्तन (paradigm shift) का प्रस्ताव करता है: इसे एक स्टोकेस्टिक प्रीकंडीशनिंग स्कीम के रूप में देखने के बजाय, लेखक इसे एक स्केच-एंड-प्रोजेक्ट (sketch-and-project) विधि के रूप में देखते हैं। यह परिप्रेक्ष्य SNG अपडेट को एक सबसैम्प्ल्ड लीनियर सिस्टम के मिनिमल-नॉर्म सॉल्यूशन के रूप में मानता है, जो रैंडमाइज्ड ब्लॉक कर्चमार (Kaczmarz) विधियों के साथ संबंध स्थापित करता है।

मुख्य तकनीकी बदलाव:

दो-मिनी-बैच प्रॉक्सी का अस्वीकार: लेखक मानक सैद्धांतिक प्रॉक्सी को त्याग देते हैं जो ग्रेडिएंट और प्रीकंडीशनर को अलग करने के लिए दो स्वतंत्र मिनी-बैच का उपयोग करता है।
स्क्वेर्ड वॉल्यूम सैंपलिंग (SVS) को अपनाना: बिना डीकप्लिंग के सिंगल मिनी-बैच एल्गोरिदम का कठोरता से विश्लेषण करने के लिए, लेखक स्क्वेर्ड वॉल्यूम सैंपलिंग (SVS) पर आधारित एक नया सैद्धांतिक प्रॉक्सी पेश करते हैं। SVS एक ऐसी सैंपलिंग रणनीति है जहाँ पंक्तियों (rows) को उनके द्वारा बनाए गए पैरेललपिपेड के स्क्वेर्ड वॉल्यूम (जो $\lambda$ द्वारा रेगुलराइज्ड है) के समानुपाती संभाव्यता के साथ चुना जाता है।
SVS के माध्यम से सैद्धांतिक अंतर्दृष्टि: हालांकि SVS को एक व्यावहारिक कार्यान्वयन रणनीति के रूप में प्रस्तावित नहीं किया गया है (कंप्यूटेशनल लागत के कारण), यह एक शक्तिशाली विश्लेषणात्मक उपकरण के रूप में कार्य करता है। यह सबसैम्प्ल्ड मैट्रिसेस के इनवर्स के शामिल एक्सपेक्टेशन वैल्यूज (expectation values) की सटीक गणना करने में सक्षम बनाता है, जो सामान्य सैंपलिंग डिस्ट्रीब्यूशन के तहत अन्यथा कठिन होता है।

3. मुख्य योगदान (Key Contributions)

A. बिना डीकप्लिंग के विश्लेषण

लेखक सिद्ध करते हैं कि SVS के तहत, SNG दिशा का एक्सपेक्टेशन, बिना ग्रेडिएंट और प्रीकंडीशनर को अलग किए, एक प्रीकंडीशन्ड ग्रेडिएंट डिसेंट स्टेप के बराबर हो जाता है।

लेम्मा 4.1 (Lemma 4.1): यह दिखाता है कि $\mathbb{E}_S [J_S^{+(\lambda)} r_S] = \tilde{W} J^\top r$ है, जहाँ $\tilde{W}$ अपेक्षित प्रोजेक्टर $P$ और नेचुरल ग्रेडिएंट प्रीकंडीशनर $J^\top J$ से व्युत्पन्न एक विशिष्ट प्रीकंडीशनर है।
थ्योरम 4.2 (Theorem 4.2): किसी भी आकार के सिंगल मिनी-बैच के लिए SNG के लिए ग्लोबल कन्वर्जेंस गारंटी स्थापित करता है, बशर्ते कि सैंपलिंग SVS का पालन करती हो। यह अवास्तविक दो-मिनी-बैच धारणा की आवश्यकता को समाप्त करता है।

B. छोटे-सैंपल सेटिंग्स में कन्वर्जेंस रेट्स का लक्षण वर्णन

लीनियर लीस्ट-क्वाड्रेटिक्स (LLQ) समस्या (जो कंसिस्टेंट पैरामेट्रिक ऑप्टिमाइज़ेशन का दूसरा-क्रम का सन्निकटन है) पर ध्यान केंद्रित करते हुए, लेखक एक स्पष्ट कन्वर्जेंस रेट प्राप्त करते हैं।

थ्योरम 5.1 (Theorem 5.1): कन्वर्जेंस रेट $\alpha/\gamma$ $α / γ$ की मात्रा द्वारा नियंत्रित होता है।
- $\alpha$ : मानक स्केच-एंड-प्रोजेक्ट कन्वर्जेंस रेट (अपेक्षित प्रोजेक्टर का न्यूनतम आइगेनवैल्यू)।
- $\gamma$ : स्केच-एंड-प्रोजेक्ट स्टेप के सेकंड मोमेंट से संबंधित एक नई मात्रा।
स्पेक्ट्रल डिके (Spectral Decay) पर अंतर्दृष्टि: $\alpha$ की उपस्थिति यह सुझाव देती है कि SGD पर SNG का लाभ मॉडल जैकोबियन (Jacobian) में स्पेक्ट्रल डिके का लाभ उठाने की इसकी क्षमता में निहित है। SGD के विपरीत, जहाँ कन्वर्जेंस रेट अधिकतम सैंपल साइज के रैखिक रूप से स्केल होता है, $\alpha$ सैंपल साइज के साथ सुपरलीनियरली (या यहाँ तक कि एक्सपोनेंशियल रूप से) स्केल कर सकता है जब जैकोबियन में तेज़ स्पेक्ट्रल डिके होता है। यह SNG को इसकी उच्च इटरेशन लागत ( $O(k^2)$ बनाम $O(k)$ ) की भरपाई करने की अनुमति देता है।
$\gamma$ की भूमिका: $\gamma$ स्केच-एंड-प्रोजेक्ट संरचना के लाभों को मॉड्युलेट करता है। प्रारंभिक विश्लेषण और संख्यात्मक साक्ष्य बताते हैं कि $\gamma$ व्यवहारिक रूप से (benignly) व्यवहार करता है (अक्सर $O(1)$ ), जिसका अर्थ है कि यह $\alpha$ के सुपरलीनियर स्केलिंग को महत्वपूर्ण रूप से दबाता नहीं है।

C. SPRING एल्गोरिदम का स्पष्टीकरण

यह शोध पत्र SPRING (सबसैम्प्ल्ड प्रोजेक्टेड-इन्क्रिमेंट नेचुरल ग्रेडिएंट) के लिए एक सैद्धांतिक आधार प्रदान करता है, जो एक लोकप्रिय स्ट्रक्चर्ड मोमेंटम स्कीम है।

थ्योरम 6.1 (Theorem 6.1): यह प्रदर्शित करता है कि SPRING स्वाभाविक रूप से नेचुरल ग्रेडिएंट सबप्रॉब्लम पर एक्सेलेरेटेड स्केच-एंड-प्रोजेक्ट मेथड्स (विशेष रूप से नेस्टरोव-एक्सेलेरेटेड रेगुलराइज्ड स्केच-एंड-प्रोजेक्ट) के अनुप्रयोग के रूप में उत्पन्न होता है।
निहितार्थ: यह समझाता है कि SPRING सबसे प्रभावी कब होता है—जब अंतर्निहित स्केच-एंड-प्रोजेक्ट स्टेप्स धीरे-धीरे अभिसरित होते हैं (अर्थात, छोटे-सैंपल सेटिंग्स में जहाँ $\alpha$ छोटा होता है), एक घटना जिसे अनुभवजन्य रूप से भी पुष्ट किया गया है।

4. परिणाम और अनुभवजन्य सत्यापन (Results and Empirical Validation)

लेखक अपने सैद्धांतिक ढांचे को संख्यात्मक प्रयोगों के माध्यम से मान्य करते हैं:

प्रॉक्सी वैधता (चित्र 2): एक डिस्क्रीट पॉइसन समस्या पर प्रयोग दिखाते हैं कि SVS-आधारित प्रॉक्सी वास्तविक सिंगल-मिनी-बैच एल्गोरिदम के व्यवहार के साथ निकटता से मेल खाती है, जबकि पारंपरिक दो-मिनी-बैच प्रॉक्सी नाटकीय रूप से भिन्न व्यवहार प्रदर्शित करती है।
स्पेक्ट्रल डिके (चित्र 4): अनुभवजन्य परिणाम पुष्टि करते हैं कि SNG बिल्कुल तभी सुपरलीनियर कन्वर्जेंस रेट प्रदर्शित करता है जब जैकोबियन में तेज़ स्पेक्ट्रल डिके होता है, जो $\alpha$ के संबंध में सैद्धांतिक भविष्यवाणी को मान्य करता है।
SPRING एक्सेलरेशन (चित्र 5): प्रयोग दिखाते हैं कि SPRING छोटे सैंपल साइज के लिए पर्याप्त त्वरण (acceleration) प्रदान करता है, लेकिन जैसे-जैसे सैंपल साइज बढ़ता है (और $\alpha$ बढ़ता है), अंतर कम हो जाता है, जो इस धारणा के अनुरूप है कि एक्सेलरेशन के लाभ तब सबसे अधिक होते हैं जब बेस कन्वर्जेंस धीमा हो।
$\alpha$ और $\gamma$ का स्केलिंग (चित्र 3): संख्यात्मक अनुमान दिखाते हैं कि $\alpha$ सैंपल साइज के साथ सुपरलीनियर रूप से बढ़ता है, जबकि $\gamma$ केवल एक हल्का डैम्पिंग प्रभाव डालता है।

5. महत्व और दावे (Significance and Claims)

यह शोध पत्र दावा करता है कि स्केच-एंड-प्रोजेक्ट परिप्रेक्ष्य, स्टोकेस्टिक प्रीकंडीशनिंग की तुलना में SNG की अधिक फलदायी समझ प्रदान करता है।

फोकस में बदलाव: लेखक तर्क देते हैं कि जब SciML के लिए SNG का उपयोग किया जाता है, तो ध्यान सांख्यिकीय अनुमान गुणों (जैसे ग्रेडिएंट/प्रीकंडीशनर अनुमानों का वेरिएंस) से बदलकर स्केच-एंड-प्रोजेक्ट गुणों (विशेष रूप से $\alpha$ और $\gamma$ ) पर होना चाहिए।
सैद्धांतिक प्रॉक्सी: SVS-SNG को SNG के लिए एक नए, कठोर सैद्धांतिक प्रॉक्सी के रूप में स्थापित किया गया है जो वास्तविक सिंगल-मिनी-बैच एल्गोरिदम के प्रति वफादार है।
सफलता का तंत्र: यह कार्य पहली बार विस्तार से बताता है कि SNG छोटे-सैंपल सेटिंग्स में क्यों सफल होता है: स्केच-एंड-प्रोजेक्ट संरचना के माध्यम से जैकोबियन के स्पेक्ट्रल डिके का लाभ उठाने की इसकी क्षमता, जो एक मानक SGD विश्लेषण के लिए अप्राप्य तंत्र है।
भविष्य के कार्य के लिए आधार: यह शोध पत्र रैंडमाइज्ड लीनियर अल्जेब्रा का लाभ उठाकर सबसैम्प्ल्ड ऑप्टिमाइज़र्स को विकसित करने और विश्लेषण करने के लिए मार्ग प्रशस्त करता है, जो $\gamma$ पर कड़े बाउंड्स, अन्य सैंपलिंग डिस्ट्रीब्यूशन के विस्तार, और SVS-प्रेरित सैंपलिंग (जैसे मिनी-बैच में नेगेटिव कोरिलेशन पेश करना) के व्यावहारिक अनुकूलन जैसे भविष्य के दिशा-निर्देशों का सुझाव देता है।

लेखक SVS के व्यावहारिक कार्यान्वयन के संबंध में विनम्र रहते हैं, यह नोट करते हुए कि प्रत्यक्ष कार्यान्वयन कम्प्यूटेशनल रूप से महंगा है। इसके बजाय, वे SVS को एक सैद्धांतिक उपकरण के रूप में रखते हैं जिसका उपयोग अंतर्दृष्टि प्राप्त करने और उन व्यावहारिक ह्यूरिस्टिक्स (जैसे स्ट्रक्चर्ड मोमेंटम या विशिष्ट सैंपलिंग कोरिलेशन) को प्रेरित करने के लिए किया जा सके जो SVS के अनुकूल गुणों का अनुमान लगाते हैं।