📊 statistics

Near-optimal Delta-convex Estimation of Lipschitz Functions

यह शोध पत्र डेल्टा-कॉन्वेक्स (delta-convex) फलनों में एक गैर-रेखीय विशेषता विस्तार (nonlinear feature expansion) के माध्यम से मैक्स-एफ़िन (max-affine) विधियों का विस्तार करके, शोर वाले डेटा से लिप्सचिट्ज़ (Lipschitz) फलनों का अनुमान लगाने के लिए एक सुलभ, निकट-इष्टतम एल्गोरिदम प्रस्तुत करता है, जो अनुकूलनशील विभाजन (adaptive partitioning) और एक द्वि-चरणीय अनुकूलन प्रक्रिया के माध्यम से लिप्सचिट्ज़ स्थिरांक के पूर्व ज्ञान के बिना मिनीमैक्स अभिसरण दर (minimax convergence rates) प्राप्त करता है।

मूल लेखक: Gábor Balázs

प्रकाशित 2026-07-13

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Gábor Balázs

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 ड्रोन द्वारा लिए गए कुछ बिखरे हुए मापों के आधार पर एक छिपे हुए, ऊबड़-खाबड़ परिदृश्य (landscape) के आकार का अनुमान लगाने की कोशिश कर रहे हैं। आपके पास ज्ञात एकमात्र नियम यह है कि यह परिदृश्य बहुत अधिक ढाल वाला नहीं है; यदि आप एक निश्चित दूरी तय करते हैं, तो ऊंचाई में एक विशिष्ट मात्रा से अधिक परिवर्तन नहीं हो सकता। गणितीय भाषा में, इसे एक लिप्सचिट्ज़ फलन (Lipschitz function) कहा जाता है। चुनौती क्या है? आपको यह ठीक से नहीं पता कि इसकी ढाल कितनी है, और ड्रोन के माप थोड़े शोर (noisy) वाले हैं।

वर्षों से, गणितज्ञों के पास उन आकृतियों का अनुमान लगाने के लिए एक बेहतरीन उपकरण रहा है जो हमेशा "ऊपर की ओर" मुड़ती हैं (कॉन्वेक्स फंक्शन्स)। वे मैक्स-एफाइन रिग्रेशन (max-affine regression) नामक एक तकनीक का उपयोग करते हैं, जो सपाट, त्रिकोणीय टाइलों से बनी एक छत बनाने जैसा है। आप इन टाइलों को लगभग किसी भी ऊपर की ओर मुड़ने वाली आकृति में पूरी तरह फिट करने के लिए व्यवस्थित कर सकते हैं। लेकिन क्या होगा यदि परिदृश्य केवल ऊपर की ओर ही नहीं मुड़ रहा है? क्या होगा यदि इसमें घाटियाँ, पहाड़ियाँ और घुमाव हैं? वहां पुराना "सपाट टाइल" वाला छत का मॉडल काम नहीं करता है।

यह शोध पत्र किसी भी ऐसे परिदृश्य के लिए एक छत बनाने का एक नया, चतुर तरीका पेश करता है जो "बहुत अधिक ढाल वाला नहीं" होने के नियम का पालन करता है। लेखक, गेबोर बालाज़ (Gábor Balázs), अपने इस तरीके को डेल्टा-कॉन्वेक्स फिटिंग (Delta-convex Fitting - DCF) कहते हैं।

जादू का खेल: "डेल्टा-कॉन्वेक्स" छत

इसका असली रहस्य एक नया प्रकार का निर्माण खंड (building block) है। पुराने "मैक्स-एफाइन" ब्लॉक्स के बजाय, लेखक एक विशेष फीचर एक्सपेंशन का उपयोग करते हैं जो सरल "सपाट टाइल" के विचार को कुछ अधिक लचीला बना देता है। वे पुराने "मैक्स-एफाइन" ब्लॉक्स को एक "नॉर्म" फीचर (दूरी मापने का एक तरीका) के साथ मिलाते हैं।

इसे इस तरह सोचें: पुराना तरीका केवल ऐसी छतें बना सकता था जो पिरामिड या कटोरे जैसी दिखती थीं। नया तरीका ऐसी छतें बना सकता है जो रोलरकोस्टर, पर्वत श्रृंखला, या लहरदार समुद्र जैसी दिख सकती हैं, जब तक कि ढलान बहुत ज्यादा पागलपन भरी न हो। वे गणितीय रूप से सिद्ध करते हैं कि ये नए ब्लॉक्स किसी भी पर्याप्त-सुव्यवस्थित (smooth-enough) परिदृश्य को लगभग सर्वोत्तम संभव सटीकता के साथ अनुमानित कर सकते हैं। वास्तव में, वे दिखाते हैं कि उनका तरीका कुछ छोटे लॉगरिदमिक कारकों (जो बड़े पैमाने पर मामूली राउंडिंग एरर की तरह हैं) तक, सैद्धांतिक रूप से संभव सर्वोत्तम आकार के कितने करीब पहुँच सकता है।

यह कैसे काम करता है: तीन-चरणीय नृत्य

एल्गोरिदम केवल अंदाज़ा नहीं लगाता; यह एक स्मार्ट, तीन-चरणीय नृत्य का पालन करता है:

मानचित्र (अनुकूली विभाजन - Adaptive Partitioning): सबसे पहले, एल्गोरिदम ड्रोन डेटा बिंदुओं को देखता है और यह पता लगाता है कि परिदृश्य के "दिलचस्प" हिस्से कहाँ हैं। इसके लिए वह एडेप्टिव फारेस्ट-पॉइंट क्लस्टरिंग (AFPC) नामक तकनीक का उपयोग करता है। कल्पना कीजिए कि आप एक धुंधले तट पर लाइटहाउस (प्रकाश स्तंभ) रख रहे हैं। आप उन्हें केवल एक ग्रिड में नहीं रखते; आप पहला एक रखते हैं, फिर अगला उससे जितना संभव हो सके दूर रखता है, फिर अगला दोनों से जितना संभव हो सके दूर रखता है, और इसी तरह। यह सुनिश्चित करता है कि आप पूरे क्षेत्र को कुशलतापूर्वक कवर करें, भले ही डेटा अजीब तरह से क्लस्टर किया गया हो। शोध पत्र सिद्ध करता है कि यह विधि बिना आपके बताए स्वचालित रूप से डेटा के "आंतरिक आयाम" (intrinsic dimension) को समझ लेती है (यानी, डेटा वास्तव में कितने दिशाओं में चलता है)।
फिटिंग (कॉन्वेक्स ऑप्टिमाइज़ेशन): एक बार जब मानचित्र तैयार हो जाता है, तो एल्गोरिदम डेटा के लिए नया "डेल्टा-कॉन्वेक्स" छत फिट करने की कोशिश करता है। यह हिस्सा कठिन है क्योंकि एकदम सही फिट ढूंढना कंप्यूटरों के लिए अक्सर एक दुःस्वप्न होता है। हालाँकि, लेखक दिखाते हैं कि कुछ स्मार्ट बाधाएं (नियम कि टाइलें कैसे जुड़ सकती हैं) जोड़कर, वे इस दुःस्वप्न को एक कॉन्वेक्स ऑप्टिमाइज़ेशन समस्या (convex optimization problem) में बदल सकते हैं। यह एक फैंसी तरीका है यह कहने का कि, "हमने एक पहेली जिसे लाखों गलत उत्तरों की समस्या थी, उसे एक ऐसी पहेली में बदल दिया जिसका केवल एक ही सबसे अच्छा उत्तर है जिसे कंप्यूटर तेजी से हल कर सकता है।"
पॉलिशिंग (परिष्करण - Refinement): पहली छत थोड़ी खुरदरी हो सकती है। एल्गोरिदम एक दूसरा, वैकल्पिक चरण चलाता है ताकि इसे चिकना किया जा सके और उन अनावश्यक हिस्सों को हटाया जा सके जो डेटा को समझाने में मदद नहीं करते हैं। यह एक मूर्तिकार की तरह है जो अंतिम मूर्ति को प्रकट करने के लिए अतिरिक्त पत्थर को छीलकर निकाल देता है।

यह किससे बेहतर है (और क्या नहीं है)

शोध पत्र बहुत स्पष्ट है कि यह विधि किन चीजों के लिए नहीं है। यह दावा नहीं करता है कि यह हर एक प्रकार की रिग्रेशन समस्या के लिए एक "जादुвई समाधान" है। विशेष रूप से:

यह एक "निकटतम-पड़ोसी" (nearest-neighbor) अनुमान लगाने वाला नहीं है (जहाँ आप बस निकटतम ड्रोन को देखते हैं और उसकी ऊंचाई की नकल करते हैं)। वे तरीके अक्सर टेढ़े-मेढ़े और असतत (discontinuous) होते हैं। नया तरीका एक चिकनी, निरंतर सतह बनाता है।
यह एक मानक "कर्नेल" विधि (जैसे नादरया-वाट्सन) नहीं है जो सब कुछ औसत निकाल लेती है। हालांकि वे चिकने होते हैं, वे इस नए तरीके की तरह डेटा की छिपी संरचना के अनुकूल नहीं होते हैं।
इसे "ढलान की सीमा" (लिप्सचिट्ज़ स्थिरांक) को पहले से जानने की आवश्यकता नहीं होती है। यह एक बड़ी बात है। पिछली विधियों को अक्सर इस संख्या का अनुमान लगाने की आवश्यकता होती थी, और यदि आपने गलत अनुमान लगाया, तो पूरी छत ढह जाती। यह विधि इसे अपने आप समझ लेती है।

प्रमाण और अभ्यास

लेखकों ने केवल कल्पना नहीं की है; उन्होंने भारी गणित के साथ इसे सिद्ध किया है। उन्होंने दिखाया है कि यदि डेटा में शोर (noise) अच्छी तरह से व्यवहार करता है (जिसे वे "सब-गौसियन" कहते हैं), तो उनकी विधि वास्तविक आकार तक नियर-मिनिमैक्स (near-minimax) दर से पहुँच जाएगी। सरल शब्दों में: "नियर-मिनिमैक्स" का अर्थ है कि यह उपलब्ध डेटा और परिदृश्य की जटिलता को देखते हुए किसी भी संभावित तरीके की तरह तेज़ है। उन्होंने सिद्ध किया कि यह $n > 2$ के किसी भी सैंपल साइज के लिए मान्य है।

उन्होंने वास्तविक दुनिया के डेटासेट (जैसे CPU उपयोग और रोबोटिक आर्म मूवमेंट की भविष्यवाणी करना) पर प्रयोग भी किए। परिणाम दिखाते हैं कि उनकी विधि मौजूदा सर्वोत्तम विधियों, जिनमें रैंडम फॉरेस्ट और XGBoost (लोकप्रिय मशीन लर्निंग टूल) शामिल हैं, के साथ प्रतिस्पर्धी है, और अक्सर k-Nearest Neighbors जैसे पुराने, सैद्धांतिक रूप से ठोस तरीकों को हरा देती है।

हालाँकि, शोध पत्र एक पकड़ (catch) के बारे में ईमानदार है: यह विधि एक विशिष्ट "ट्यूनिंग नॉब" (एक रेगुलराइजेशन पैरामीटर जिसे $\theta_2$ कहा जाता है) के प्रति संवेदनशील है। यदि आप इसे बहुत कम करते हैं, तो छत बहुत अधिक लहरदार हो सकती है और शोर को याद कर सकती है (overfitting)। यदि आप इसे बहुत अधिक करते हैं, तो यह बहुत सख्त हो सकती है और विवरणों को मिस कर सकती है (underfitting)। लेखकों ने पाया कि सही सेटिंग के साथ, यह बहुत अच्छा काम करता है, लेकिन इस सेटिंग को खोजने के लिए सावधानी की आवश्यकता होती है।

निचोड़

यह शोध पत्र एक ट्रैक्टेबल (tractable) (उचित समय में हल करने योग्य) एल्गोरिदम प्रस्तुत करता है जो सरल, कठोर मॉडलों और जटिल, लचीले मॉडलों के बीच के अंतर को पाटता है। यह "मैक्स-एफाइन" विधियों की खूबियों को लेता है और उन्हें गैर-कॉन्वेक्स वास्तविक दुनिया को संभालने के लिए विस्तारित करता है। यह किसी भी परिदृश्य के लिए एक नया तरीका है जिससे आप बिना पहले से जाने, जटिल और चिकने परिदृश्यों का सटीक अनुमान लगा सकते हैं। हालांकि यह हर परिदृश्य के लिए "हल की गई समस्या" नहीं है (विशेष रूप से ट्यूनिंग नॉब के संबंध में), यह एक सिद्ध, नियर-ऑप्टिमल रास्ता प्रदान करता है।

समस्या विवरण
यह शोध पत्र रैंडम डिज़ाइन सेटिंग में नॉनपैरामेट्रिक रिग्रेशन की मौलिक समस्या को संबोधित करता है। लक्ष्य $n$ स्वतंत्र और समान रूप से वितरित (i.i.d.) शोर युक्त अवलोकनों $(X_i, Y_i)$ से एक अज्ञात वास्तविक-मान वाले रिग्रशन फंक्शन $f^*$ का अनुमान लगाना है, जहाँ $Y_i = f^*(X_i) + \xi_i$ है। $f^*$ को एक अज्ञात डोमेन $X^* \subseteq \mathbb{R}^d$ पर यूक्लिडियन नॉर्म के सापेक्ष $\lambda^*$ -लिप्सचिट्ज (Lipschitz) निरंतर माना गया है, लेकिन लिप्सचिट्ज स्थिरांक $\lambda^*$ अज्ञात है। रिग्रसन के प्रदर्शन का मूल्यांकन स्क्वेयर्ड लॉस (squared loss) के तहत अतिरिक्त जोखिम (excess risk) का उपयोग करके किया जाता है। इस समस्या के लिए सैद्धांतिक बेंचमार्क $\Theta(n^{-2/(2+d^*)})$ का मिनिमैक्स कन्वर्जेंस रेट है, जहाँ $d^*$ डेटा का इंट्रिन्सिक डायमेंशन (intrinsic dimension) है। जबकि कॉन्वेक्स शेप-रिस्ट्रिक्टेड रिग्रसन (मैक्स-एफाइन फंक्शनों का उपयोग करके) और सामान्य लिप्सचिट्ज रिग्रसन (निकटतम-पड़ोसी या कर्नेल विधियों का उपयोग करके) के लिए विधियाँ मौजूद हैं, साहित्य में सामान्य लिप्सचिट्ज फंक्शनों के लिए ट्रैक्टेबल एल्गोरिदम के संबंध में एक अंतराल है जो $\lambda^*$ के पूर्व ज्ञान या क्रॉस-वैलिडेशन जैसी बाहरी मॉडल चयन प्रक्रियाओं की आवश्यकता के बिना निकट-मिनिमैक्स दर प्राप्त करते हैं।

कार्यप्रणाली: डेल्टा-कॉन्वेक्स फिटिंग (DCF)
लेखक डेल्टा-कॉन्वेक्स फिटिंग (DCF) नामक एक ट्रैक्टेबल एल्गोरिदम प्रस्तावित करते हैं। मुख्य दृष्टिकोण कॉन्वेक्स रिग्रसन से मैक्स-एफाइन विधियों को सामान्य लिप्सचिट्ज सेटिंग में विस्तारित करने के लिए एक नॉनलीन फीचर एक्सपेंशन का उपयोग करता है, जो फंक्शनों को डेल्टा-कॉन्वेक्स (DC) फंक्शनों के एक उपवर्ग में मैप करता है। DC फंक्शन दो कॉन्वेक्स फंक्शनों के अंतर के रूप में परिभाषित होते हैं।

एल्गोरिदम तीन मुख्य चरणों में आगे बढ़ता है:

अनुकूली विभाजन (Adaptive Partitioning): एल्गोरिदम पहले एडेप्टिव फारथेस्ट-पॉइंट क्लस्टरिंग (AFPC) विधि का उपयोग करके केंद्रों का एक परिमित सेट $\hat{X}_K$ कंप्यूट करता है। यह चरण कोवेरिएट डेटा के इंट्रिन्सिक डायमेंशन $d^*$ के आधार पर विभाजन आकार $K$ को अनुकूल रूप से निर्धारित करता है, जिसका लक्ष्य $K \approx n^{d^*/(2+d^*)}$ है।
कॉन्वेक्स इनिशियलाइजेशन (Convex Initialization): एल्गोरिदम फंक्शनों के एक वर्ग $F_p(\hat{X}_K)$ पर एक रेगुलराइज्ड एम्पिरिकल रिस्क मिनिमाइजेशन (ERM) समस्या को हल करता है। ये फंक्शन एक नॉर्म टर्म (जैसे, $\|x - \hat{x}_k\|_p$ ) के साथ कई एफाइन फंक्शनों का अधिकतम (maximum) के रूप में परिभाषित किए गए हैं। ऑप्टिमाइज़ेशन समस्या एक सेकंड-ऑर्डर कोन प्रोग्राम (SOCP) है जो कॉन्वेक्स है और पॉलीनोमियल समय में हल करने योग्य है। महत्वपूर्ण रूप से, एल्गोरिदम केवल केंद्र बिंदुओं पर बाधाएं (constraints) लगाता है, जिसके परिणामस्वरूप समान विधियों के विशिष्ट $nK $बाधाओं के बजाय$ K^2$ बाधाएं प्राप्त होती हैं, जिससे कम्प्यूटेशनल जटिलता काफी कम हो जाती है।
रिफाइनमेंट और प्रूनिंग (Refinement and Pruning): एक वैकल्पिक रिफाइनमेंट चरण कॉन्वेक्स सॉल्यूशन पर इनिशियलाइज होकर, पेनल्टी टर्म के साथ स्थानीय अनुकूलन (local optimization) करता है। अंत में, एल्गोरिदम उन मापदंडों को हटा देता है (prune) जो एम्पिरिकल रिस्क को प्रभावित नहीं करते हैं और एस्टिमेटर को सेंट्रलाइज करता है ताकि औसत रिस्पॉन्स डेटा के माध्य (mean) के बराबर हो सके।

एक प्रमुख नवाचार रेगुलराइजेशन मैकेनिज्म है। एल्गोरिदम को वास्तविक लिप्सचिट्ज स्थिरांक $\lambda^*$ के ज्ञान की आवश्यकता नहीं है। इसके बजाय, यह एक पेनल्टी-आधारित रेगुलराइजेशन का उपयोग करता है जो एस्टिमेटर के यूनिफॉर्म लिप्सचिट्ज स्थिरांक को सीमित करता है, जिससे विधि लक्षित फंक्शन की अज्ञात स्मूथनेस के अनुकूल होने में सक्षम होती है।

मुख्य योगदान

निकट-इष्टतम कन्वर्जेंस रेट: यह पेपर स्थापित करता है कि DCF एस्टिमेटर, स्क्वेर्ड लॉस और सबगासियन नॉइज़ धारणाओं के तहत, इंट्रिन्सिक डायमेंशन $d^*$ के सापेक्ष $O(n^{-2/(2+d^*)} \cdot \text{polylog}(n))$ की निकट-मिनिमैक्स कन्वर्जेंस दर प्राप्त करता है। यह रैंडम डिज़ाइन सेटिंग में सबगासियन डिस्ट्रीब्यूशन के लिए मान्य है।
ट्रैक्टेबिलिटी (Tractability): लिप्सचिट्ज रिग्रसन के पिछले दृष्टिकोणों के विपरीत, जो गैर-कॉन्वेक्स ऑप्टिमाइज़ेशन पर निर्भर हो सकते हैं या जिनमें सैद्धांतिक गारंटी की कमी हो सकती है, DCF एस्टिमेशन को एक ट्रैक्टेबल कॉन्वेक्स ऑप्टिमाइज़ेशन समस्या (SOCP) के रूप में स्वरूपित करता है।
बाहरी चयन के बिना अनुकूलन क्षमता: विधि AFPC चरण के माध्यम से डेटा के इंट्रिन्सिक डायमेंशन के अनुकूल होती है और निकट-इष्टतम गारंटी प्राप्त करने के लिए बाहरी मॉडल चयन प्रक्रियाओं (जैसे क्रॉस-वैलिडेशन या सैंपल स्प्लिटिंग) पर निर्भर नहीं करती है।
अज्ञात लिप्सचिट्ज स्थिरांक: एल्गोरिदम फंक्शन या उसके डेरिवेटिव्स पर यूनिफॉर्म बाउंड की आवश्यकता के बिना कार्य करता है, जो $\lambda^*$ के पूर्व ज्ञान के मुकाबले एक महत्वपूर्ण लाभ है।
कॉन्वेक्स रिग्रसन का विस्तार: यह दिखाया गया है कि फ्रेमवर्क को कॉन्वेक्स शेप-रिस्ट्रिक्टेड रिग्रसन के लिए अनुकूलित किया जा सकता है, जो $\lambda^*$ को जाने बिना सभी $n \geq 2$ के लिए प्रोबेबली एप्रोक्सिमेटली करेक्ट (PAC) बाउंड प्रदान करता है, जो मौजूदा परिणामों में सुधार करता है जो विशिष्ट आयामों या एसिम्प्टोटिक प्रोबेबिलिटी बाउंड्स तक सीमित थे।

परिणाम और प्रयोगात्मक प्रदर्शन
सैद्धांतिक विश्लेषण पुष्टि करता है कि DCF एस्टिमेटर, विशिष्ट रेगुलराइजेशन पैरामीटर्स का उपयोग करते समय, निकट-मिनिमैक्स दर को संतुष्ट करता है। प्रमाण फंक्शन क्लास $F_p(\hat{X}_K)$ के एप्रोक्सिमेशन गुणों पर निर्भर करता है, जो किसी भी लिप्सचिट्ज फंक्शन को केंद्र बिंदुओं के कवरिंग रेडियस के समान त्रुटि के साथ यूनिफॉर्मली एप्रोक्सिमेट कर सकता है।

डेल्व प्रोजेक्ट (Delve Project) डेटासेट्स (cpusmall, pumadyn-8nm, pumadyn-8nh) पर k-नेरेस्ट नेबर्स (k-NN), नादरया-वॉट्सन (NW) कर्नेल रिग्रेशन, ऑर्डिनरी लीस्ट स्क्वायर्स (OLS), रैंडम फॉरेस्ट (RF), और XGBoost के विरुद्ध DCF का मूल्यांकन किया गया।

सिमेट्रिक फंक्शन क्लासेस (डेल्टा-मैक्स-एफाइन) का उपयोग करने वाले DCF वेरिएंट्स ने k-NN और NW के प्रतिस्पर्धी या उससे बेहतर MSE प्राप्त किया, और ट्री-बेस्ड मेथड्स (RF, XGBoost) के तुलनीय प्रदर्शन किया।
प्रयोग रेगुलराइजेशन पैरामीटर $\theta_2$ के प्रति DCF की संवेदनशीलता को उजागर करते हैं। एक मजबूत रेगुलराइज़र शोर वाले परिवेश में ओवरफिटिंग को रोकता है लेकिन यदि विभाजन आकार छोटा है तो अंडरफिटिंग का कारण बन सकता है।
कम्प्यूटेशनल रूप से, मध्यम सैंपल साइज के लिए DCF ट्रेनिंग टाइम कर्नेल मेथड्स (NW) के तुलनीय है, और पैरामीटर प्रूनिंग के कारण इंफरेंस (inference) तेज़ है।

महत्व
यह पेपर दावा करता है कि यह $\lambda^*$ के ज्ञान या बाहरी मॉडल चयन की आवश्यकता के बिना रैंडम डिज़ाइन सेटिंग में सामान्य लिप्सचिट्ज फंक्शनों का अनुमान लगाने के लिए पहली ट्रैक्टेबल विधि प्रदान करके साहित्य के एक महत्वपूर्ण अंतराल को भरता है। मैक्स-एफाइन विधियों को डेल्टा-कॉन्वेक्स सेटिंग में विस्तारित करके, लेखक कॉन्वेक्स रिग्रेशन की सैद्धांतिक इष्टतमता और सामान्य लिप्सचिट्ज फंक्शनों के लिए आवश्यक व्यापक प्रयोज्यता के बीच के अंतर को पाटते हैं। यह कार्य प्रदर्शित करता है कि यह संभव है कि ऐसे एस्टिमेटर्स बनाए जाएं जो कम्प्यूटेशनल रूप से कुशल (पॉलीनोमियल टाइम) और सांख्यिकीय रूप से इष्टतम (निकट-मिनिमैक्स) दोनों हों, जो पार्टिशनिंग-आधारित या कर्नेल-आधारित विधियों के लिए एक मजबूत विकल्प प्रदान करते हैं जिन्हें अक्सर ह्यूरिस्टिक ट्यूनिंग की आवश्यकता होती है या जिनमें इतने मजबूत सैद्धांतिक गारंटी की कमी होती है।

जादू का खेल: "डेल्टा-कॉन्वेक्स" छत

यह कैसे काम करता है: तीन-चरणीय नृत्य

यह किससे बेहतर है (और क्या नहीं है)

प्रमाण और अभ्यास

निचोड़

इसी तरह के और पेपर