🤖 machine learning

Sample Complexity of Stochastic Optimization with Integer Variables

यह शोध पत्र यह स्थापित करता है कि पूर्णांक चरों (integer variables) के साथ स्टोकेस्टिक अनुकूलन की नमूना जटिलता (sample complexity), इसके निरंतर समकक्ष (continuous counterpart) की तुलना में, व्यवहार्य सेट (feasible set) की विशिष्ट ज्यामिति और उद्देश्य फलन (objective function) के गुणों पर निर्भर करते हुए, स्पष्ट रूप से अधिक, बराबर या यहाँ तक कि कम हो सकती है।

मूल लेखक: Hongyu Cheng, Yinghao Zheng, Marco Molinaro, Amitabh Basu

प्रकाशित 2026-05-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hongyu Cheng, Yinghao Zheng, Marco Molinaro, Amitabh Basu

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 शहर में नींबू पानी का स्टॉल (lemonade stand) लगाने के लिए सबसे अच्छी जगह खोजने की कोशिश कर रहे हैं। आपके पास पूरे शहर का नक्शा (वितरण/distribution) नहीं है, लेकिन आप विशिष्ट स्थानों की जांच करने और वहां से होने वाली संभावित कमाई की रिपोर्ट देने के लिए स्काउट्स (जासूस) भेज सकते हैं। आपका लक्ष्य कम से कम स्काउट्स का उपयोग करके सबसे अच्छी जगह का पता लगाना है।

यह शोध पत्र इस समस्या के एक विशिष्ट मोड़ के बारे में है: क्या होगा यदि आपके स्काउट्स केवल पूर्णांक निर्देशांकों (integer coordinates - जैसे कि सड़क के कोने 1, 2, 3) की जांच कर सकें, न कि मानचित्र के किसी भी स्थान की (जैसे 1.5, 2.7, 3.1)?

लेखक, जो गणितज्ञों की एक टीम है, यह जानना चाहते थे: क्या "पूर्ण संख्याओं" (पूर्णांकों) तक अपनी खोज को सीमित करने से काम कठिन हो जाता है, आसान हो जाता है, या पूरे निरंतर (continuous) मानचित्र की तुलना में समान रहता है?

यहाँ उन्होंने तीन मुख्य परिदृश्यों में जो पाया, उसका विवरण दिया गया है:

1. "बॉक्स" परिदृश्य (चौकोर शहर)

कल्पना कीजिए कि आपका शहर एक विशाल वर्गाकार बॉक्स है। आप इसके अंदर कहीं भी जा सकते हैं, लेकिन आप दीवारों से सीमित हैं।

निष्कर्ष: इससे कोई फर्क नहीं पड़ता कि आपके स्काउट्स केवल सड़क के कोनों (पूर्णांक) की जांच कर सकते हैं या ग्रिड के किसी भी स्थान (निरंतर) की। आपको आवश्यक स्काउट्स की संख्या बिल्कुल समान रहती है।
उपमा: एक भूलभुलैया के बारे में सोचें जहाँ दीवारें ही सबसे महत्वपूर्ण हैं। चाहे आपको घास के बीच चलने की अनुमति हो (निरंतर) या केवल पक्के रास्तों पर चलने की (पूर्णांक), बाहर निकलने का रास्ता खोजने की "कठिनाई" बॉक्स के आकार द्वारा निर्धारित होती है। भले ही आपके खेल के नियम अव्यवस्थित या गैर-रेखीय (non-linear) हों (जैसे कि एक जटिल, ऊबड़-खाबड़ इलाका), केवल "पूर्णांक" नियम जोड़ने से नमूने (samples) लेने की संख्या नहीं बदलती।

2. "बॉल" परिदृश्य (गोल शहर)

अब, कल्पना कीजिए कि आपका शहर एक पूर्ण वृत्त (एक गेंद) है।

निष्कर्ष: यहाँ, चीजें अजीब हो जाती हैं। यदि आप अपने स्काउट्स को पूर्णांक निर्देशांकों (सड़क के कोनों) तक सीमित करते हैं, तो आपको वृत्त के किसी भी स्थान की तुलना में कम स्काउट्स की आवश्यकता हो सकती है।
उपमा: एक गोल मेज की कल्पना करें जिस पर कुछ सिक्के बिखरे हुए हैं। यदि आपको मेज पर कहीं भी देखने की अनुमति है (निरंतर), तो जांचने के लिए अनंत स्थान हैं, और मेज का "आकार" चिकना और जटिल है। लेकिन यदि आपको केवल सिक्कों को देखने की अनुमति है (पूर्णांक), तो अचानक जांचने के लिए बहुत कम स्थान रह जाते हैं।
ऐसा क्यों होता है: एक गोल आकार में, "पूर्णांक" स्थान (सिक्के) विरल (sparse) होते हैं। वे एक निरंतर सतह की तरह स्थान को नहीं भरते। क्योंकि "पूर्ण संख्या" वाले स्थानों के बारे में चिंता करने के लिए बहुत कम विकल्प हैं, इसलिए यह समस्या कुछ स्थितियों में सांख्यिकीय रूप से हल करने में आसान हो जाती है। यह घास के ढेर में सुई खोजने जैसा है: यदि आप केवल घास की नोक (पूर्णांक) को देखने के लिए ही अधिकृत हैं, तो पूरे आयतन (volume) की तुलना में चेक करने के लिए बहुत कम नोक होंगी।

3. "स्मूथ हिल" परिदृश्य (परफेक्ट ढलान)

अंत में, कल्पना कीजिए कि भूभाग एक पूरी तरह से चिकनी, कटोरे के आकार की पहाड़ी (गणितीय रूप से, "स्ट्रॉन्गली कॉनवेक्स एंड स्मूथ") है। यह आमतौर पर निरंतर दुनिया में हल करने के लिए सबसे आसान प्रकार की समस्या होती है।

निष्कर्ष: इस विशिष्ट मामले में, अपने स्काउट्स को केवल पूर्णांक स्थानों को देखने के लिए मजबूर करने से काम बहुत कठिन हो जाता है। यदि आप पूर्णांकों तक सीमित हैं, तो कटोरे के निचले हिस्से को खोजने के लिए आपको काफी अधिक स्काउट्स (नमूने) की आवश्यकता होती है।
उपमा: एक चिकनी स्लाइड के नीचे जाने की कल्पना करें। निरंतर दुनिया में, आप बिल्कुल नीचे तक फिसल सकते हैं। लेकिन यदि आपको एक पूर्णांक "कदम" से दूसरे कदम पर कूदने के लिए मजबूर किया जाता है, तो आप नीचे से आगे निकल सकते हैं या ऐसे कदम पर फंस सकते हैं जो वास्तव में नीचे दिखता है लेकिन वह नहीं है।
लागत: निरंतर दुनिया में, आप नमूनों की एक निश्चित संख्या के साथ समाधान पा सकते हैं। पूर्णांक दुनिया में, आपको बहुत अधिक (विशेष रूप से, जैसे-जैसे आप उच्च सटीकता की मांग करते हैं, नमूनों की संख्या बहुत तेजी से बढ़ती है) नमूनों की आवश्यकता होती है। एक पूर्ण संख्या पर उतरने के लिए मजबूर होने वाला "राउंडिंग एरर" (rounding error) एक नया प्रकार का कठिनाई पैदा करता है जो चिकने, निरंतर संस्करण में मौजूद नहीं होता है।

बड़ी तस्वीर

यह शोध पत्र इस पुराने विचार को चुनौती देता है कि "डिस्क्रीट" (पूर्णांक) समस्याएं हमेशा "कंटीन्यूअस" (निरंतर) समस्याओं से कठिन होती हैं।

कभी-कभी, वे उतनी ही कठिन होती हैं (बॉक्स)।
कभी-कभी, वे वास्तव में आसान होती हैं क्योंकि जांचने के लिए विकल्प कम होते हैं (बॉल)।
कभी-कभी, वे बहुत कठिन होती हैं क्योंकि "कदम" एक चिकने समाधान के रास्ते में आते हैं (स्मूथ हिल)।

लेखकों ने सफलता को मापने के विभिन्न तरीकों पर भी नज़र डाली:

यूनिफॉर्म कन्वर्जेंस (Uniform Convergence): यह सुनिश्चित करना कि प्रत्येक स्थान का सही अनुमान लगाया गया है।
एम्पिरिकल रिस्क मिनिमाइजेशन (ERM): उपलब्ध डेटा के आधार पर बस सबसे अच्छी जगह ढूंढना।
कोई भी एल्गोरिदम (Any Algorithm): उत्तर खोजने के लिए किसी भी चतुर ट्रिक का उपयोग करना।

उन्होंने पाया कि "स्मूथ हिल" के साथ पूर्णांकों के लिए, चतुर ट्रिक्स (ERM) हर स्थान का सटीक अनुमान लगाने की कोशिश करने की तुलना में बहुत बेहतर काम करती हैं। यह महसूस करने जैसा है कि आपको सबसे अच्छे नींबू पानी के स्टॉल को खोजने के लिए पूरे शहर का नक्शा बनाने की आवश्यकता नहीं है; आपको बस अपना ध्यान उस पड़ोस पर केंद्रित करने की आवश्यकता है जो आशाजनक लग रहा है।

संक्षेप में: पूर्णांक प्रतिबंध आपकी खोज के "शहर" के आकार और "भूभाग" (ऑब्जेक्टिव फंक्शन) के आकार पर निर्भर करता है कि वे समस्या को कठिन बनाते हैं या आसान। कोई एक नियम नहीं है; यह ज्यामिति (geometry) और सांख्यिकी (statistics) का मिश्रण है।

तकनीकी सारांश: पूर्णांक चरों के साथ स्टोकेस्टिक ऑप्टिमाइज़ेशन की सैंपल कॉम्प्लेक्सिटी (Sample Complexity)

1. समस्या विवरण (Problem Statement)

यह शोध पत्र उन स्टोकेस्टिक ऑप्टिमाइज़ेशन समस्याओं की सैंपल कॉम्प्लेक्सिटी (sample complexity) की जांच करता है जहाँ निर्णय चर (decision variable) $x$ एक पूर्णांक वेक्टर (integer vector) होने के लिए बाध्य है। मूल समस्या को इस प्रकार तैयार किया गया है:
$\min_{x \in X} F_D(x) := \mathbb{E}_{z \sim D}[f(x; z)]$
जहाँ $X \subseteq \mathbb{R}^d$ एक बाधा सेट (constraint set) है (विशेष रूप से बॉल्स के पूर्णांक उपसमुच्चयों पर ध्यान केंद्रित करते हुए), $f: X \times Z \to \mathbb{R}$ एक लॉस फंक्शन (loss function) है, और $D$ एक मापने योग्य स्थान (measurable space) $Z$ पर एक अज्ञात संभाव्यता वितरण (probability distribution) है। लक्ष्य $D$ के i.i.d. नमूनों (samples) की एक सीमित संख्या का उपयोग करके उच्च संभाव्यता ( $1-\delta$ ) के साथ एक $\epsilon$ -सन्निकट समाधान (approximate solution) खोजना है।

लेखक यह विश्लेषण करने का प्रयास करते हैं कि पूर्णांकता (integrality) की आवश्यकता, संगत सतत (continuous) ऑप्टिमाइज़ेशन समस्या की तुलना में आवश्यक नमूनों की संख्या को कैसे प्रभावित करती है। वे तीन मानक सैंपल कॉम्प्लेक्सिटी अवधारणाओं का विश्लेषण करते हैं:

यूनिफॉर्म कन्वर्जेंस (Uniform Convergence - UC): नमूनों की वह संख्या जो यह सुनिश्चित करती है कि एम्पिरिकल रिस्क (empirical risk) $F_S(x)$ , पूरे डोमेन पर जनसंख्या जोखिम (population risk) $F_D(x)$ का $\epsilon$ के भीतर समान रूप से सन्निकटन करता है।
एम्पिरिकल रिस्क मिनिमाइजेशन (Empirical Risk Minimization - ERM): नमूनों की वह संख्या जो यह सुनिश्चित करती है कि एम्पिरिकल रिस्क को कम करने से जनसंख्या जोखिम के लिए एक $\epsilon$ -इष्टतम समाधान प्राप्त होता है।
कोई भी डेटा-संचालित एल्गोरिदम (Any Data-Driven Algorithm): किसी भी एल्गोरिदम (केवल ERM ही नहीं) द्वारा प्राप्त की जा सकने वाली इष्टतम सैंपल कॉम्प्लेक्सिटी, जो नमूनों के आधार पर एक समाधान आउटपुट करता है।

2. कार्यप्रणाली और ढांचा (Methodology and Framework)

लेखक ऊपरी सीमाओं (upper bounds) के लिए ब्रैकेटिंग और चेनिंग तर्क (bracketing and chaining arguments) और निचली सीमाओं (lower bounds) के लिए सूचना-सैद्धांतिक (information-theoretic) विधियों के संयोजन का उपयोग करते हैं।

निचली सीमाएँ (Lower Bounds): प्रमाण कठिन उदाहरणों (अक्सर छिपे हुए साइन वेक्टर्स या पक्षपाती कॉइन फ्लिप्स वाले) के निर्माण और ऑप्टिमाइज़ेशन समस्या को हाइपोथीसिस टेस्टिंग या पैरामीटर अनुमान कार्यों में बदलने (reduction) पर आधारित हैं। इसमें फानो की असमानता (Fano's inequality), KL-डाइवर्जेंस बाउंड्स (पिंस्कर की असमानता), और पैकिंग आर्गुमेंट्स (बड़े युग्मवार दूरी वाले बिंदुओं के सेट बनाना) जैसे उपकरण शामिल हैं।
ऊपरी सीमाएँ (Upper Bounds): लेखक एम्पिरिकल प्रोसेस के यूनिफॉर्म विचलन को बांधने के लिए ब्रैकेटिंग और चेनिंग आर्गुमेंट्स का उपयोग करते हैं। स्ट्रॉन्गली कॉन्वेक्स (strongly convex) सेटिंग्स के लिए, वे लोकलाइजेशन घटना (localization phenomena) का लाभ उठाते हैं, यह दिखाते हुए कि त्रुटि पूरे डोमेन के बजाय इष्टतम के एक छोटे पड़ोस में व्यवहार द्वारा नियंत्रित होती है।
एंकोर्ड यूनिफॉर्म कन्वर्जेंस (Anchored Uniform Convergence): ऑप्टिमाइज़ेशन की शिफ्ट-इनवेरिएंस (shift-invariance) को संभालने के लिए (जहाँ ऑब्जेक्टिव में स्थिरांक जोड़ने से मिनिमाइज़र नहीं बदलता), लेखक "एंकोर्ड" ऑब्जेक्टिव $\bar{f}(x; z) = f(x; z) - f(0; z)$ को परिभाषित करते हैं, जिससे सैंपल कॉम्प्लेक्सिटी परिमित और सुपरिभाषित रहती है।

3. मुख्य योगदान और परिणाम (Key Contributions and Results)

यह शोध पत्र तीन अलग-अलग श्रेणियों के लिए टाइट सैंपल कॉम्प्लेक्सिटी बाउंड्स (कॉन्स्टेंट फैक्टर्स तक) स्थापित करता है, जिससे पता चलता है कि पूर्णांकता का प्रभाव डोमेन की ज्यामिति और ऑब्जेक्टिव की स्मूथनेस/कॉन्वेक्सिटी पर बहुत अधिक निर्भर करता है।

A. $\ell_\infty$ बॉल (बॉक्स बाधाओं) पर लिप्सचिट्ज़ ऑब्जेक्टिव्स (Lipschitz Objectives)

सेटिंग: $X \subseteq B^{(\infty)}_R$ (एक त्रिज्या $R$ वाला बॉक्स), जहाँ $f(\cdot; z)$ $\ell_\infty$ नॉर्म के सापेक्ष 1-लिप्सचिट्ज़ है।
परिणाम: सैंपल कॉम्प्लेक्सिटी $\Theta\left(\frac{R^2}{\epsilon^2}(d + \log(1/\delta))\right)$ है।
महत्व:

यह दर बॉक्स के किसी भी व्यवहार्य उपसमुच्चय के लिए मान्य है, जिसमें मिश्रित-पूर्णांक सेट ( $X = C \cap (\mathbb{Z}^n \times \mathbb{R}^{d-n})$ ) और शुद्ध पूर्णांक सेट ( $X = B^{(\infty)}_R \cap \mathbb{Z}^d$ ) शामिल हैं।
महत्वपूर्ण रूप से, पूर्णांकता (integrality) सैंपल कॉम्प्लेक्सिटी को नहीं बदलती है। इस सेटिंग में सामान्य स्टोकेस्टिक मिश्रित-पूर्णांक, नॉन-कॉन्वेक्स ऑप्टिमाइज़ेशन की जटिलता बिल्कुल साधारण स्टोकेस्टिक लीनियर प्रोग्रामिंग (बाउंड बाधाओं के साथ) के समान है।
निचली सीमा (lower bound) लीनियर फंक्शन्स द्वारा भी प्राप्त की जाती है, जिसका अर्थ है कि "कठिनाई" बॉक्स के वर्टिसेस की ज्यामिति से आती है, जो निरंतर और पूर्णांक दोनों मामलों के लिए समान है।

B. $\ell_2$ बॉल (यूक्लिडियन बाधाओं) पर लिप्सचिट्ज़ ऑब्जेक्टिव्स

सेटिंग: $X \subseteq B^{(2)}_R$ (यूक्लिडियन बॉल), जहाँ $f(\cdot; z)$ $\ell_2$ नॉर्म के सापेक्ष 1-लिप्सचिट्ज़ है।
परिणाम:

निरंतर मामला (Continuous Case): सैंपल कॉम्प्लेक्सिटी $\Theta\left(\frac{R^2}{\epsilon^2}(d + \log(1/\delta))\right)$ है।
पूर्णांक मामला (Integer Case): सैंपल कॉम्प्लेक्सिटी $\Theta\left(\frac{R^2}{\epsilon^2}(H_2(d, R) + \log(1/\delta))\right)$ है, जहाँ $H_2(d, R)$ एक ज्यामितीय पद है जिसे निम्नानुसार परिभाषित किया गया है:
$H_2(d, R) = \begin{cases} 0 & 0 < R < 1 \\ \min\{d, \lfloor R^2 \rfloor\} \log\left(\frac{ed}{\min\{d, \lfloor R^2 \rfloor\}}\right) & R \ge 1 \end{cases}$
महत्व:
पूर्णांकता आसान हो सकती है: जब $R^2 < d$ हो, तो $H_2(d, R) < d$ होता है। इसका तात्पर्य है कि पूर्णांक-बाधित स्टोकेस्टिक ऑप्टिमाइज़ेशन के लिए निरंतर समकक्ष की तुलना में कम नमूनों की आवश्यकता हो सकती है।
तंत्र (Mechanism): यह लाभ इसलिए मिलता है क्योंकि एक छोटे यूक्लिडियन बॉल में पूर्णांक बिंदुओं का कॉनवेक्स हल (convex hull) स्वयं बॉल की तुलना में अलग (विरल/sparse) ज्यामिति रखता है। पूर्णांक बिंदुओं का सपोर्ट विरल (at most $\lfloor R^2 \rfloor$ गैर-शून्य निर्देशांक) होता है, जो पूर्ण निरंतर बॉल की तुलना में प्रभावी आयाम (effective dimensionality) को कम कर देता है।
नॉन-कॉन्वेक्सिटी: इस नॉन-कॉन्वेक्स लिप्सचिट्ज़ सेटिंग में, जहाँ ERM यूनिफॉर्म कन्वर्जेंस की तुलना में अधिक कुशल हो सकता है, वहां UC, ERM और किसी भी एल्गोरिदम के लिए सैंपल कॉम्प्लेक्सिटी समान है।

C. स्ट्रॉन्गली कॉन्वेक्स और स्मूथ ऑब्जेक्टिव्स (Strongly Convex and Smooth Objectives)

सेटिंग: $f(\cdot; z)$ $\mu$ -स्ट्रॉन्गली कॉन्वेक्स और $L$ -स्मूथ है। डोमेन या तो बॉक्स $B^{(\infty)}_R$ है या पूरा $\mathbb{R}^d$ है। लेखकों ने अनबाउंडेड डोमेन को संभालने के लिए एक सब-गॉसियन इंक्रीमेंट कंडीशन (sub-Gaussian increment condition) पेश की है, क्योंकि मानक लिप्सचिट्ज़ धारणाएं अनबाउंडेड स्ट्रॉन्गली कॉन्वेक्स फंक्शन्स के लिए विफल हो जाती हैं।
परिणाम:

पूर्णांक मामला: ERM के लिए सैंपल कॉम्प्लेक्सिटी $\Theta\left(\frac{\sigma^2 d \min\{\kappa, \lfloor R \rfloor^2\}}{\epsilon^2}(d + \log(1/\delta))\right)$ है, जहाँ $\kappa = L/\mu$ कंडीशन नंबर है।
निरंतर मामला: ERM के लिए सैंपल कॉम्प्लेक्सिटी $\Theta\left(\frac{\sigma^2 d}{\mu \epsilon}(d + \log(1/\delta))\right)$ है।
महत्व:
पूर्णांकता समस्या को कठिन बनाती है: इस शासन (regime) में, पूर्णांक ऑप्टिमाइज़ेशन के लिए $\Omega(1/\epsilon^2)$ नमूनों की आवश्यकता होती है, जबकि निरंतर ऑप्टिमाइज़ेशन तेज़ $O(1/\epsilon)$ दर प्राप्त करता है।
लोकलाइजेशन बनाम राउंडिंग: निरंतर मामला "त्वरित" दरों का लाभ उठाता है क्योंकि स्ट्रॉन्ग कॉन्वेक्सिटी एल्गोरिदम को राउंडिंग एरर (rounding error) से बचे बिना खोज को एक छोटे क्षेत्र तक लोकलाइज़ करने की अनुमति देती है। पूर्णांक मामले में, "लोकलाइजेशन" डिस्क्रीट ग्रिड द्वारा सीमित है; एल्गोरिदम को विशिष्ट पूर्णांक बिंदु को हल करना पड़ता है, जिससे एक अतिरिक्त हानि होती है जो $1/\epsilon$ दर को रोक देती है।
यूनिफॉर्म कन्वर्जेंस बनाम ERM: अनबाउंडेड पूर्णांक डोमेन के लिए, यूनिफॉर्म कन्वर्जेंस की सैंपल कॉम्प्लेक्सिटी अनंत (infinite) है (यह सीमित नमूनों के साथ सभी पूर्णांकों पर ऑब्जेक्टिव का समान रूप से सन्निकटन करने में असंभव है), फिर भी ERM सीमित नमूनों के साथ सफल होता है। यह एक अनूठा अलगाव है जहाँ ERM, लोकलाइजेशन घटना के कारण यूनिफॉर्म कन्वर्जेंस की तुलना में स्पष्ट रूप से अधिक शक्तिशाली है।

4. महत्व और दावे (Significance and Claims)

शोध पत्र दावा करता है कि यह पूर्णांक स्टोकेस्टिक ऑप्टिमाइज़ेशन के सांख्यिकीय (statistical) पहलुओं (सैंपल कॉम्प्लेक्सिटी) के संबंध में साहित्य में मौजूद अंतर को पाटता है, जो ऐतिहासिक रूप से एल्गोरिद्मिक या एसिम्प्टोटिक जटिलता पर केंद्रित रहा है।

कठिनाई का संदर्भ देना: लेखक यह प्रदर्शित करते हैं कि पूर्णांक स्टोकेस्टिक ऑप्टिमाइज़ेशन की कठिनाई एकरूप (monolithic) नहीं है। यह पूरी तरह से प्रतिबंध सेट की ज्यामिति ( $\ell_\infty$ बनाम $\ell_2$ ) और ऑब्जेक्टिव की नियमितता (Lipschitz बनाम स्ट्रॉन्गली कॉन्वेक्स/स्मूथ) के बीच परस्पर क्रिया पर निर्भर करती है।
प्रति-सहज निष्कर्ष (Counter-Intuitive Findings):
- $\ell_\infty$ सेटिंग में, पूर्णांकता सांख्यिकीय रूप से तटस्थ (neutral) है।
- $\ell_2$ सेटिंग में, पूर्णांकता सांख्यिकीय रूप से लाभकारी (कम नमूनों की आवश्यकता) हो सकती है।
- स्ट्रॉन्गली कॉन्वेक्स सेटिंग में, पूर्णांकता सांख्यिकीय रूप से हानिकारक (धीमी अभिसरण दर) है क्योंकि यह लोकलाइजेशन चरण में राउंडिंग एरर से बचने में असमर्थ है।
मेथोडोलॉजिकल योगदान: यह शोध पत्र नॉन-कॉन्वेक्स निरंतर स्टोकेस्टिक ऑप्टिमाइज़ेशन के लिए पहले टाइट सैंपल कॉम्प्लेक्सिटी बाउंड्स प्रदान करता है और अनबाउंडेड स्ट्रॉन्गली कॉन्वेक्स समस्याओं के लिए सब-गॉसियन इंक्रीमेंट कंडीशंस की आवश्यकता को स्थापित करता है।

लेखक एक विनम्र लहजा बनाए रखते हुए कहते हैं कि उनके परिणाम निरंतर बनाम डिस्क्रीट स्टोकेस्टिक ऑप्टिमाइज़ेशन की सापेक्ष कठिनाई की एक "मात्रात्मक" (quantitative) समझ प्रदान करते हैं, न कि नए एल्गोरिदम या अनुप्रयोगों का प्रस्ताव देते हैं। यह कार्य एक सैद्धांतिक बेंचमार्क के रूप में कार्य करता है कि इन सेटिंग्स में सांख्यिकीय रूप से क्या प्राप्त किया जा सकता है।