🤖 machine learning

A Broader View of Thompson Sampling

यह शोधपत्र थॉम्पसन सैंपलिंग की सफलता के पीछे के तंत्र को एक ऑनलाइन अनुकूलन एल्गोरिदम के रूप में पुनर्गठित करके स्पष्ट करता है जो एक स्थिर बेलमैन-इष्टतम नीति (Bellman-optimal policy) की नकल करता है, जहाँ लालच (greediness) को अवशिष्ट अनिश्चितता (residual uncertainty) द्वारा नियमित किया जाता है, जिससे इसके गतिकी को समझने और नीतियों को बेहतर बनाने के लिए एक नया ढांचा प्राप्त होता है।

मूल लेखक: Yanlin Qu, Hongseok Namkoong, Assaf Zeevi

प्रकाशित 2026-05-28

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yanlin Qu, Hongseok Namkoong, Assaf Zeevi

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

एक व्यापक दृष्टिकोण: थॉमसन सैंपलिंग (Thompson Sampling) का विश्लेषण

बड़ी तस्वीर: एक प्रसिद्ध एल्गोरिदम के "रहस्य" को सुलझाना

कल्पना कीजिए कि आप एक नए व्यंजन के लिए सबसे अच्छी रेसिपी खोजने की कोशिश कर रहे हैं एक शेफ के रूप में। आपके पास दो सामग्रियां हैं (मान लीजिए कि आर्म 1 और आर्म 2), लेकिन आप नहीं जानते कि कौन सी बेहतर स्वाद देती है। आपको सीखने के लिए खाना बनाना जारी रखना होगा, लेकिन आप अभी अपने ग्राहकों को सबसे अच्छा व्यंजन भी परोसना चाहते हैं। यह क्लासिक "मल्टी-आर्म्ड बैंडिट" (Multi-Armed Bandit) समस्या है: एक्सप्लोरेशन (सीखने के लिए नई चीजें आजमाना) और एक्सप्लोइटेशन (जो आप जानते हैं कि सबसे अच्छा काम करता है उसका उपयोग करना) के बीच संतुलन बनाना।

दशकों से, थॉमसन सैंपलिंग (Thompson Sampling) नामक एक विशिष्ट विधि गोल्ड स्टैंडर्ड रही है। यह प्रसिद्ध है क्योंकि यह व्यवहार में अविश्वसनीय रूप से अच्छा काम करती है। हालांकि, अन्य तरीकों के विपरीत जहाँ नियम स्पष्ट होते हैं (जैसे "हमेशा उस विकल्प को चुनें जिसमें उच्चतम कॉन्फिडेंस स्कोर हो"), थॉमसन सैंपलिंग थोड़ी जादुई लगती थी। यह काम तो करती है, लेकिन कोई यह पूरी तरह से समझा नहीं सका कि यह सीखने और कमाने के बीच इतना सटीक संतुलन कैसे बनाती है।

यह शोध पत्र पर्दा हटाता है। लेखक दिखाते हैं कि थॉमसन सैंपलिंग केवल एक भाग्यशाली अनुमान नहीं है; यह वास्तव में एक परिष्कृत ऑनलाइन ऑप्टिमाइज़ेशन एल्गोरिदम है। उन्होंने खोजा कि यह एक विशिष्ट प्रकार के "रिग्रेट" (वह अंतर जो आपको मिला और जो आपको मिल सकता था) को कम करने का प्रयास करके और अनिश्चितता के एक माप द्वारा "रेगुलराइज्ड" (मार्गदर्शित) होकर काम करता है।

मूल विचार: "रिग्रेट" को मापने का एक नया तरीका

पेपर को समझने के लिए, हमें यह देखना होगा कि वे सफलता को कैसे मापते हैं।

पुराना तरीका (डिस्काउंटेड रिवार्ड्स):
कल्पना कीजिए कि आप एक वीडियो गेम खेल रहे हैं जहाँ अभी मिलने वाले अंक 100% मूल्य के हैं, लेकिन बाद में मिलने वाले अंक केवल 90%, फिर 81%, और इसी तरह मूल्य के हैं। इसे "डिस्काउंटिंग" कहा जाता है। प्रसिद्ध गिटिन्स इंडेक्स (Gittins Index) पॉलिसी इसका उपयोग करती है। यह गेम के लिए बहुत अच्छी है, लेकिन इसमें एक दोष है: यह एक संभावित रूप से बेहतर विकल्प को बहुत जल्दी छोड़ सकती है क्योंकि भविष्य के अंक जोखिम लेने लायक नहीं लगते। वास्तविक दुनिया में, जहाँ हम लंबे समय में सब कुछ सीखना चाहते हैं, यह एक गलती हो सकती है।

पेपर का नया तरीका (स्क्वेयर्ड रिग्रेट):
लेखक समस्या को देखने का एक नया तरीका प्रस्तावित करते हैं। भविष्य को डिस्काउंट करने के बजाय, वे रिग्रेट के वर्ग (Square of the regret) को देखते हैं।

उपमा: कल्पना कीजिए कि आप कार चला रहे हैं।
- लीनियर रिग्रेट (Linear Regret): यदि आप रास्ते से 1 मील भटक जाते हैं, तो आप 1 मील भटक गए। यदि आप 10 मील भटक जाते हैं, तो आप 10 मील भटक गए।
- स्क्वेयर्ड रिग्रेट (Squared Regret): यदि आप 1 मील भटकते हैं, तो आप 1 मील भटक गए। लेकिन यदि आप 10 मील भटक जाते हैं, तो अब आप 100 "इकाइयों" के बुरे ड्राइविंग के शिकार हैं।
- यह क्यों मायने रखता है: त्रुटि को वर्ग (Square) करने से, एल्गोरिदम बड़ी गलतियों के प्रति बहुत संवेदनशील हो जाता है। यह सिस्टम को बड़ी गलतियों से बचने के लिए मजबूर करता है, जो स्वाभाविक रूप से एक ऐसी रणनीति की ओर ले जाता है जो पर्याप्त अन्वेषण (explore) करती है ताकि गलत रास्ते पर न फँसे, लेकिन इतना भी नहीं कि समय बर्बाद हो।

लेखक इसे "फेथफुल स्टेशनराइजेशन" (Faithful Stationarization) कहते हैं। यह एक फैंसी तरीका है यह कहने का: "हमने एक गणितीय नियम खोजा है जो समय के साथ स्थिर (Stationary) रहता है लेकिन फिर भी दीर्घकालिक गलतियों को कम करने के लक्ष्य को पूरी तरह से पकड़ता है (Faithful)।"

"सीक्रेट सॉस": अनिश्चितता बनाम तनाव (Uncertainty vs. Tension)

यह पेपर प्रकट करता है कि थॉमसन सैंपलिंग एक गणितीय समस्या को हल करके काम करती है जो इस तरह दिखती है:

न्यूनतम करें (गलती) + (अनिश्चितता दंड/Uncertainty Penalty)

लेखक इसे दो प्रतिस्पर्धी शक्तियों में विभाजित करते हैं:

लालच (Greediness/Exploitation): आप उस आर्म को चुनना चाहते हैं जो अभी सबसे अच्छी दिख रही है ताकि सबसे अधिक रिवॉर्ड मिल सके।
रेगुलराइजेशन (Regularization/Exploration): आपको एक "दंड" (Penalty) की आवश्यकता है जो आपको बहुत अधिक लालची होने से रोके। यह दंड इस बात पर आधारित है कि आप कितना नहीं जानते हैं।

खोज:
लेखकों ने पाया कि थॉमसन सैंपलिंग एक विशिष्ट प्रकार के दंड का उपयोग करती है जिसे बाइसिरियल कोवैरिएंस (Biserial Covariance) कहा जाता है।

रूपक: कल्पना कीजिए कि आप घोड़े की दौड़ पर दांव लगा रहे हैं।
- थॉमसन सैंपलिंग का तर्क: "मैं अनिश्चित हूँ कि कौन सा घोड़ा जीतेगा। मैं जितना अधिक अनिश्चित हूँ (घोड़े जितने समान दिखते हैं), उतना ही मुझे अंडरडॉग (कमजोर दावेदार) पर दांव लगाना चाहिए यह देखने के लिए कि क्या वे जीत सकते हैं।" यह अनिश्चितता (Uncertainty) को मापता है।
- "बेलमैन-ऑप्टिमल" तर्क (आदर्श): लेखकों ने गणना की कि एक "परफेक्ट" एल्गोरिदम क्या करेगा। उन्होंने पाया कि परफेक्ट एल्गोरिदम केवल अनिश्चितता को नहीं देखता; वह तनाव (Tension) को देखता है।
- रूपक: "मैं अनिश्चित हूँ, लेकिन क्या स्विच करना (बदलना) जोखिम के लायक है? यदि अग्रणी घोड़ा वास्तव में बहुत मजबूत है और अंडरडॉग कमजोर है, भले ही मैं थोड़ा अनिश्चित हूँ, तो मुझे स्विच नहीं करना चाहिए। लेकिन यदि अग्रणी घोड़ा डगमगा रहा है और अंडरडॉग मजबूत है, तो तनाव (Tension) अधिक है, और मुझे स्विच करना ही चाहिए।"

समस्या:
थॉमसन सैंपलिंग कभी-कभी "बहुत जिज्ञासु" हो जाती है। यह एक खराब प्रदर्शन करने वाले विकल्प की जांच करती रहती है क्योंकि वहां कुछ अनिश्चितता है, भले ही "तनाव" (बदलने का लाभ) वास्तव में कम हो। यह हर 30 सेकंड में ओवन चेक करने जैसा है क्योंकि आप घबराए हुए हैं, भले ही रेसिपी कहती हो कि केक ठीक है।

समाधान: एक "वन-स्टेप" सुधार

पेपर केवल थॉमशियन सैंपलिंग की आलोचना नहीं करता है; यह उसी तर्क का उपयोग करके इसे ठीक करने का एक तरीका भी प्रदान करता है जो "परफेक्ट" एल्गोरिदम को शक्ति देता है।

वे एक पॉलिसी इम्प्रूवमेंट (Policy Improvement) चरण प्रस्तावित करते हैं।

उपमा: कल्पना कीजिए कि आप एक परीक्षा दे रहे एक छात्र हैं।
- थॉमसन सैंपलिंग: आप अपने वर्तमान अंतर्ज्ञान (Gut feeling) के आधार पर प्रश्नों के उत्तर देते हैं।
- सुधार: पेपर जमा करने से पहले, आप अपने उत्तरों को देखते हैं और पूछते हैं, "यदि मुझे इस प्रश्न का उत्तर देने के बाद जो पता चला, वह पहले से पता होता, तो क्या मैं अपना उत्तर बदल देता?"
- परिणाम: लेखक दिखाते हैं कि "आगे देखने" (Looking ahead) का यह एक एकल चरण थॉमसन सैंपलिंग की लगभग सभी खामियों को ठीक कर देता है। यह एल्गोरिदम को शुद्ध "अनिश्चितता" से बदलकर "तनाव" द्वारा संचालित बनाता है।

उनके प्रयोगों में, इस एक छोटे से बदलाव ने प्रसिद्ध थॉमसन सैंपलिंग और उनके सैद्धांतिक "परफेक्ट" एल्गोरिदम के बीच के प्रदर्शन अंतर को 90% तक कम कर दिया।

मुख्य निष्कर्षों का सारांश

थॉमसन सैंपलिंग एक ऑप्टिमाइज़र है: यह केवल एक ह्यूरिस्टिक नहीं है; यह एक विशिष्ट प्रकार के स्क्वेयर्ड एरर को कम करने वाला एल्गोरिदम है।
दोष: यह "अनिश्चितता" (मैं कितना भ्रमित हूँ) पर निर्भर करता है न कि "तनाव" (क्या स्विच करने के लिए यह प्रयास सार्थक है?) पर। यह इसे कभी-कभी बहुत अधिक एक्सप्लोर करने के लिए प्रेरित करता है।
समाधान: "पॉलिसी इम्प्रूवमेंट" चरण (एक कदम आगे देखना) लागू करके, हम एल्गोरिदम को "तनाव" पर ध्यान केंद्रित करने के लिए बदल सकते हैं।
परिणाम: यह सरल समायोजन एल्गोरिदम को लगभग पूर्ण बना देता है, जिससे यह बिना किसी जटिल नए गणित के, सैद्धांतिक रूप से सर्वोत्तम संभव रणनीति के लगभग समान प्रदर्शन करता है।

यह पेपर मूल रूप से कहता है: "हमने थॉमसन सैंपलिंग की गुप्त रेसिपी ढूंढ ली है। यह बेहतरीन है, लेकिन यदि आप मसाले (रेगुलराइजेशन) को थोड़ा सा ट्यून करते हैं ताकि यह सही प्रकार के तनाव पर ध्यान केंद्रित करे, तो यह और भी बेहतर हो जाता है।"

तकनीकी सारांश: थॉम्पसन सैंपलिंग का एक व्यापक दृष्टिकोण

समस्या विवरण
थॉम्पसन सैंपलिंग (TS), मल्टी-आर्म्ड बैंडिट (MAB) समस्या के लिए एक व्यापक रूप से उपयोग किया जाने वाला ह्यूरिस्टिक है, जो अपनी अनुभवजन्य सफलता और सैद्धांतिक रिग्रेट बाउंड्स (regret bounds) के लिए जाना जाता है। हालाँकि, अन्वेषण (exploration) और दोहन (exploitation) के बीच संतुलन बनाने वाले इसके स्पष्ट अनुकूलन सिद्धांत (optimization principle) के पीछे का आधार अस्पष्ट बना हुआ है। जबकि गिट्टिन्स (1979) ने बेलियन एमएबी (Bayesian MAB) को एक मार्कोव निर्णय प्रक्रिया (MDP) के रूप में तैयार किया था ताकि एक इष्टतम नीति प्राप्त की जा सके, वह दृष्टिकोण अनंत-क्षितिज (infinite-horizon) डिस्काउंटेड रिवॉर्ड्स पर निर्भर करता है। यह सूत्रीकरण "अपूर्ण शिक्षण" (optimal arm को बार-बार पहचानने में विफल होना) की ओर ले जाता है, जो कि एमएबी साहित्य (रॉबिन्स 1952; लाई और रॉबिन्स 1985) के केंद्र में स्थित परिमित-क्षितिज (finite-horizon) रिग्रेट मिनिमाइजेशन उद्देश्य के विपरीत है। यह शोधपत्र TS की समझ के अंतर को दूर करने के लिए एक "फेडफुल" (faithful) स्टेशनरी सूत्रीकरण खोजने का प्रयास करता है जो परिमित-क्षितिज रिग्रेट मिनिमाइजेशन के अनुरूप हो और साथ ही डायनेमिक प्रोग्रामिंग की सुगमता को भी बनाए रखे।

कार्यप्रणाली
लेखक गैर-स्थिर (non-stationary) परिमित-क्षितिज रिग्रेट मिनिमाइजेशन समस्या को एक स्थिर ऑनलाइन ऑप्टिमाइज़ेशन समस्या में पुनर्गठित करने के लिए फेडफुल स्टेशनराइजेशन (faithful stationarization) के ढांचे का प्रस्ताव करते हैं।

स्क्वेयर्ड रिग्रेट ऑब्जेक्टिव: सीधे संचयी रिग्रेट $R_T$ को कम करने या डिस्काउंटेड रिवॉर्ड्स का उपयोग करने के बजाय, लेखक संचयी स्क्वेयर्ड रिग्रेट $R_2$ को कम करने का परिचय देते हैं। वे एक सीमा स्थापित करते हैं $R_T \leq \sqrt{R_2 \cdot T}$ । अनंत-क्षितिज के स्क्वेयर्ड रिग्रेट्स के योग $R_2(Q; \pi_0) = \mathbb{E}[\sum r^2(q_t; \pi_t)]$ को कम करना यह सुनिश्चित करता है कि पॉलिसी इष्टतम $O(\sqrt{T})$ रिग्रेट दर प्राप्त करे और साथ ही एक स्टेशनरी ऑब्जेक्टिव भी प्रदान करे।
स्टेशनरी बेलमैन समीकरण: यह नया ऑब्जेक्टिव वैल्यू फंक्शन $V(\pi_t)$ (न्यूनतम भविष्य का स्क्वेयर्ड रिग्रेट) के लिए एक स्टेशनरी बेलमैन समीकरण देता है:
$V(\pi_t) = \min_{q_t} \left[ r^2(q_t; \pi_t) + q_t \cdot \mathbb{E}_{\pi_t}[V(\pi_{t+1}) | A_t = \cdot] \right]$
गिट्टिन्स इंडेक्स (जो रैखिक डिस्काउंटेड रिवॉर्ड को अधिकतम करता है) के विपरीत, यह मिनिमाइजेशन एक्शन प्रोबेबिलिटीज में क्वाड्रेटिक (quadratic) है, जिससे एक रैंडमाइज्ड (randomized) इष्टतम पॉलिसी प्राप्त होती है न कि एक डिटर्मिनिस्टिक (deterministic) पॉलिसी।
ऑनलाइन ऑप्टिमाइज़ेशन रूप: अपेक्षित अगले दौर के रिवॉर्ड $x_t$ पर ध्यान केंद्रित करते हुए वेरिएबल्स के परिवर्तन के माध्यम से, लेखक यह व्युत्पन्न करते हैं कि $R_2$ -इष्टतम पॉलिसी ( $Q_{R2}$ ) ऑनलाइन ऑप्टिमाइज़ेशन समस्या का रूप लेती है:
$x_{R2}^t = \arg\min_{x_t} \left[ (\mathbb{E}_{\pi_t}[\max(\theta_1, \theta_2)] - x_t)^2 + \nu_{R2}(\pi_t) x_t \right]$
यहाँ, पहला पद तात्कालिक दोहन (greediness) का प्रतिनिधित्व करता है, और दूसरा पद एक रैखिक रेगुलराइज़र (regularizer) है जो अन्वेषण (exploration) का प्रतिनिधित्व करता है। रेगुलराइज़र $\nu_{R2}(\pi_t)$ बेलमैन समीकरण से व्युत्पन्न है और अन्वेषण और दोहन के बीच के तनाव (tension) को मापता है (भविष्य के मूल्य में अंतर)।
थॉम्पसन सैंपलिंग की पुनर्व्याख्या: लेखक प्रदर्शित करते हैं कि थॉम्पसन सैंपलिंग ठीक उसी ऑनलाइन ऑप्टिमाइज़ेशन रूप को अपनाता है:
$x_{TS}^t = \arg\min_{x_t} \left[ (\mathbb{E}_{\pi_t}[\max(\theta_1, \theta_2)] - x_t)^2 + \nu_{TS}(\pi_t) x_t \right]$
हालाँकि, इसका रेगुलराइज़र $\nu_{TS}(\pi_t)$ , रिवॉर्ड गैप ( $\theta_1 - \theta_2$ ) और इष्टतम आर्म की पहचान ( $\text{sign}(\theta_1 - \theta_2)$ ) के बीच का बाइसरियल कोवेरिएंस (biserial covariance) है। यह रेगुलराइज़र यह नहीं मापता कि कौन सा आर्म बेहतर है, बल्कि यह अनिश्चितता (uncertainty) को मापता है।

मुख्य योगदान

फेडफुल स्टेशनराइजेशन: यह शोधपत्र एक स्टेशनरी सूत्रीकरण (स्क्वेयर्ड रिग्रेट को कम करना) पेश करता है जो परिमित-क्षितिज रिग्रेट मिनिमाइजेशन के सार को सुरक्षित रखता है, जिससे ह्यूरिस्टिक सैंपलिंग और सिद्धांतों पर आधारित डायनेमिक प्रोग्रामिंग के बीच के अंतर को पाट दिया जाता है।
स्ट्रक्चरल यूनिफिकेशन: यह प्रकट करता है कि थॉम्पसन सैंपलिंग और बेलमैन-इष्टतम पॉलिसी ( $Q_{R2}$ ) दोनों ही ऑनलाइन ऑप्टिमाइज़ेशन एल्गोरिदम के उदाहरण हैं जो ग्रीडीनेस (greediness) को एक रेगुलराइज़र के विरुद्ध ट्रेड-ऑफ करते हैं।
मैकेनिज्म की पहचान: शोधपत्र TS को चलाने वाले विशिष्ट तंत्र की पहचान करता है: यह अनिश्चितता (बाइसरियल कोवेरिएंस) के आधार पर ग्रीडीनेस को रेगुलराइज़ करता है, जबकि इष्टतम पॉलिसी भविष्य के मूल्य (तनाव) के आधार पर इसे रेगुलराइज़ करती है।
पॉलिसी इम्प्रूवमेंट: बेलमैन फ्रेमवर्क का लाभ उठाते हुए, लेखक थॉम्पसन सैंपलिंग के लिए एक मानक पॉलिसी इम्प्रूवमेंट स्टेप का प्रस्ताव करते हैं। TS के वैल्यू फंक्शन का मूल्यांकन करके और उसे वापस बेलमैन समीकरण में डालकर, वे एक सुधरा हुआ पॉलिसी ( $Q_{TS'}$ ) व्युत्पन्न करते हैं जो तनाव-आधारित रेगुलराइज़र का उपयोग करता है।

परिणाम

परफॉरमेंस गैप: गॉसियन और बर्नौली बैंडिट्स पर संख्यात्मक प्रयोगों से पता चलता है कि $R_2$ -इष्टतम पॉलिसी ( $Q_{R2}$ ), थॉम्पसन सैंपलिंग की तुलना में काफी कम संचयी रिग्रेट प्राप्त करती है। इस अंतर का कारण यह है कि TS का रेगुलराइज़र एक अनिश्चितता माप है जो उस "तनाव" को पकड़ने में विफल रहता है जब अग्रणी आर्म अनिश्चित होता है लेकिन उप-इष्टतम (suboptimal) आर्म का अत्यधिक अन्वेषण किया जा रहा होता है।
इंफॉर्मेशन-डायरेक्टेड सैंपलिंग (IDS): शोधपत्र पाता है कि IDS, जो एक अन्य ह्यूरिस्टिक है, $Q_{R2}$ के समान ही तनाव-आधारित रेगुलराइज़र संरचना साझा करता है और $R_2$ -इष्टतम पॉलिसी के लगभग समान प्रदर्शन करता है, जो सूचना-सैद्धांतिक (information-theoretic) और डायनेमिक प्रोग्रामिंग दृष्टिकोणों को जोड़ता है।
वन-स्टेप इम्प्रूवमेंट: थॉम्पसन सैंपलिंग पर लागू एक सिंगल पॉलिसी इम्प्रूवमेंट स्टेप, TS और बेलमैन-इष्टतम बेंचमार्क के बीच के प्रदर्शन अंतराल को लगभग 90% तक कम कर देता है। यह सुधार प्रभावी रूप से TS के रेगुलराइज़र को अनिश्चितता के माप से बदलकर एक तनाव माप में बदल देता है।
K-आर्म केस में स्ट्रक्चरल प्रॉपर्टी: K-आर्म सेटिंग में, बेलमैन-इष्टतम पॉलिसी (और सुधरी हुई TS) किसी भी दौर में अधिकतम दो आर्म्स को सकारात्मक संभाव्यता आवंटित करती है, जबकि मानक TS सभी आर्म्स को सकारात्मक संभाव्यता दे सकता है। पॉलिसी इम्प्र melalui TS को यह स्ट्रक्चरल स्पैरसिटी (structural sparsity) प्राप्त होती है।

महत्व
यह शोधपत्र दावा करता है कि यह थॉम्पसन सैंपलिंग को एक ऑनलाइन ऑप्टिमाइज़ेशन एल्गोरिदम के रूप में पुनर्गठित करके इसका "एक व्यापक दृष्टिकोण" प्रदान करता है। यह लेंस:

ह्यूरिस्टिक की व्याख्या करता है: यह स्पष्ट करता है कि TS अवशेष अनिश्चितता (residual uncertainty) के रेगुलराइज़र के माध्यम से ग्रीडीनेस और अन्वेषण के बीच संतुलन कैसे बनाता है।
सीमाओं की पहचान करता है: यह रेखांकित करता है कि अनिश्चितता (तनाव के बजाय) पर TS का निर्भर होना विशिष्ट स्थितियों में उप-इष्टतम व्यवहार की ओर ले जाता है (जैसे, जब इष्टतम आर्म अनिश्चित हो लेकिन उप-इष्टतम आर्म का अत्यधिक अन्वेषण किया जा रहा हो)।
सिद्धांत-आधारित सुधार सक्षम करता है: यह पोस्टीरियर सैंपलिंग एल्गोरिदम को सुधारने के लिए एक कठोर ढांचा प्रदान करता है। रेगुलराइज़र को 'तनाव माप' के साथ संरेखित करके, लेखक प्रदर्शित करते हैं कि TS को न्यूनतम कम्प्यूटेशनल ओवरहेड के साथ महत्वपूर्ण रूप से बढ़ाया जा सकता है, जिससे यह अपने सैंपलिंग-आधारित स्वभाव को छोड़े बिना सैद्धांतिक इष्टतम के करीब पहुँच जाता है।