📊 statistics

Self-Certifying Transport MCMC via Dual Spectral-Gap Certificates

यह शोधपत्र CerT-MCMC को प्रस्तुत करता है, जो लर्नड-ट्रांसपोर्ट मार्कोव चेन मोंटे कार्लो (learned-transport Markov chain Monte Carlo) के लिए एक ढांचा है जो वास्तविक ट्रांसपोर्ट विफलताओं को प्रमाण-तकनीक की सीमाओं से अलग करने के लिए एक आयामी-निर्भर कवरिंग बाउंड (dimension-dependent covering bound) को एक आयामी-स्वतंत्र क्वांटाइल-कोर बाउंड (dimension-independent quantile-core bound) के साथ जोड़कर स्वचालित, कठोर अभिसरण प्रमाणपत्र (convergence certificates) प्रदान करता है।

मूल लेखक: Jun Hu

प्रकाशित 2026-06-01

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jun Hu

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 विशाल, धुंधले जंगल (लक्ष्य वितरण/target distribution) में कैंपफायर लगाने के लिए सबसे अच्छी जगह खोजने की कोशिश कर रहे हैं। आपके पास एक स्मार्ट ड्रोन (नॉर्मलाइजिंग फ्लो/normalizing flow) है जो इधर-उधर उड़कर सीखे गए अनुभवों के आधार पर अच्छी जगहों का सुझाव देता है। आमतौर पर, आप ड्रोन पर भरोसा करते हैं और लकड़ी इकट्ठा करना शुरू कर देते हैं। लेकिन क्या होगा अगर ड्रोन गलत हो? क्या होगा अगर वह आपको किसी दलदल की ओर ले जा रहा हो?

कंप्यूटर सांख्यिकी (computer statistics) की दुनिया में, यह मार्कोव चेन मोंटे कार्लो (MCMC) की समस्या है। हम जटिल डेटा को समझने के लिए एल्गोरिदम का उपयोग करते हैं, लेकिन हमारे पास इसे प्रमाणित करने का कोई तरीका नहीं है कि एल्गोरिदम वास्तव में अच्छा काम कर रहा है या नहीं। हम अक्सर केवल "अनुभव" या विजुअल चेक्स पर निर्भर रहते हैं, जो भ्रामक हो सकते हैं।

यह पेपर CerT-MCMC पेश करता है, जो एक नया सिस्टम है जो ड्रोन को एक "स्व-प्रमाणित" (self-certifying) बैज देता है। यह केवल एक जगह का सुझाव नहीं देता; यह एक कठोर, गणितीय रूप से प्रमाणित प्रमाण पत्र प्रदान करता है कि, "मुझे 99% यकीन है कि मेरे सुझाव अच्छे हैं, और यहाँ इसका गणितीय प्रमाण है।"

यह कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ समझाया गया है:

1. दो प्रमाण पत्र: "कवर" और "कोर"

लेखकों ने महसूस किया कि उच्च-आयामी स्थानों (जैसे 20 अलग-अलग दिशाओं में उड़ने वाला जंगल) में ड्रोन के पूर्ण होने को सिद्ध करना अविश्वसनीय रूप से कठिन है। इसलिए, उन्होंने विभिन्न स्थितियों को संभालने के लिए दो अलग-अलग प्रकार के प्रमाण पत्र बनाए।

प्रमाण पत्र I: "ब्लैंकेट" (कवरिंग सर्टिफिकेट)

कल्पना कीजिए कि आप एक विशाल, बहु-आयामी कंबल के हर एक इंच की जांच करने की कोशिश कर रहे हैं।

यह कैसे काम करता है: आप पूरे क्षेत्र में बिंदुओं का एक नमूना लेते हैं और उनके बीच के इलाके की "खुरदरापन" (oscillation) को मापते हैं। यदि बिंदु पर्याप्त रूप से करीब हैं, तो आप आश्वस्त हो सकते हैं कि आपने कोई गहरा गड्ढा नहीं छोड़ा है।
समस्या: उच्च आयामों (जैसे 20 दिशाओं) में, "कंबल" इतना विशाल हो जाता है कि उसे पूरी तरह से कवर करने के लिए आपको अनंत नमूनों की आवश्यकता होगी। गणित कहता है कि जैसे-जैसे समस्या बड़ी होती है, यह विधि विफल हो जाती है। यह एक फुटबॉल के मैदान को कागज की एक शीट से ढकने जैसा है; कागज चाहे कितना भी बड़ा क्यों न हो, आप कुछ जगहों को छोड़ ही देंगे।
परिणाम: यह प्रमाण पत्र सरल, कम-आयामी समस्याओं (2 या 5 दिशाओं) के लिए बहुत अच्छा काम करता है, लेकिन जटिल समस्याओं के लिए यह बेकार ("vacuous") हो जाता है।

प्रमाण प्रमाण पत्र II: "हार्ट" (क्वांटाइल-कोर सर्टिफिकेट)

यही इस पेपर का सबसे बड़ा नवाचार है। पूरे जंगल को कवर करने की कोशिश करने के बजाय, लेखकों ने महसूस किया कि एक अच्छा ड्रोन अपना 99% समय जंगल के "हार्ट" (हृदय) में बिताता है—यानी उच्च-संभावना वाले क्षेत्रों में जहाँ सबसे अच्छी जगहें हैं। अजीब और खतरनाक बाहरी हिस्से (outliers) दुर्लभ होते हैं।

यह कैसे कार्य करता है: पूरे जंगल की जांच करने के बजाय, यह प्रमाण पत्र केवल कोर (ड्रोन के सुझावों का केंद्रीय 98% या 99%) पर ध्यान केंद्रित करता है। यह पूछता है: "क्या यहाँ का इलाका समतल है?"
जादू: क्योंकि यह जंगल के दुर्लभ और अजीब किनारों को अनदेखा कर देता है, इसलिए इससे कोई फर्क नहीं पड़ता कि जंगल कितना बड़ा है। चाहे जंगल 2 आयामी हो या 20, कोर की चिकनाई की जांच करना आसान और विश्वसनीय है।
परिणाम: यह प्रमाण पत्र जटिल, उच्च-आयामी समस्याओं में भी मजबूत और उपयोगी बना रहता है, जहाँ "ब्लैंकेट" प्रमाण पत्र विफल हो जाता है।

2. "डुअल-सर्टिफिकेट" डैशबोर्ड

प्रस्तावित डैशबोर्ड एक डैशबोर्ड है जो दोनों प्रमाण पत्रों का उपयोग करके आपको बताता है कि वास्तव में क्या हो रहा है। यह चार-स्तरीय निदान (diagnosis) बनाता है:

पूर्ण सफलता (Perfect Success): दोनों प्रमाण पत्र कहते हैं "सब ठीक है!" (ड्रोन शानदार है, और गणित आसान है)।
कोर सफलता (Core Success): "हार्ट" प्रमाण पत्र कहता है "सब ठीक है," लेकिन "ब्लैंकेट" प्रमाण पत्र कहता है "मैं किनारों की जांच नहीं कर सकता।"
- अर्थ: ड्रोन वास्तव में बहुत अच्छा काम कर रहा है, लेकिन पूरे जंगल की जांच करने का गणित बहुत कठिन है। यह ड्रोन की विफलता नहीं, बल्कि "प्रमाण सीमा" (proof limitation) है।
गिरावट (Degradation): "हार्ट" प्रमाण पत्र कमजोर है।
- अर्थ: ड्रोन संघर्ष कर रहा है। यह पूर्ण नहीं है, लेकिन पूरी तरह से टूटा भी नहीं है।
विफलता (Failure): "हार्ट" प्रमाण पत्र कहता है "खतरा!"
- अर्थ: ड्रोन खराब है। यह आपको दलदल की ओर ले जा रहा है।

3. यह क्यों महत्वपूर्ण है (एक "नेगेटिव कंट्रोल" टेस्ट)

लेखकों ने इसे एक "नेगेटिव कंट्रोल" प्रयोग के साथ परखा। उन्होंने एक खराब प्रशिक्षित ड्रोन (जो आलसी था या जिसके सेटिंग्स गलत थे) और एक पूरी तरह से प्रशिक्षित ड्रोन के बीच तुलना की।

मानक डायग्नोस्टिक्स: यदि आप केवल यह देखते कि ड्रोन कितनी बार सुझाव स्वीकार करता है (acceptance rate), तो आलसी ड्रोन और पूर्ण ड्रोन दोनों लगभग एक जैसे दिखते (जैसे, 84% बनाम 98%)। एक इंसान सोच सकता है, "अरे, 84% भी काफी अच्छा है!"
नया प्रमाण पत्र: "हार्ट" प्रमाण पत्र ने एक बड़ा अंतर देखा। इसने पूर्ण ड्रोन को आलसी ड्रोन की तुलना में 10 से 13 गुना बेहतर रेटिंग दी।

उपमा: दो कारों की कल्पना करें। एक में बेहतरीन इंजन है; दूसरी में एक झटके मारता हुआ इंजन है लेकिन ड्राइवर बहुत सावधान है। यदि आप केवल यह देखते हैं कि "क्या कार चली?" (acceptance rate), तो दोनों ठीक दिखेंगे। लेकिन यदि आप इंजन के कंपन (certificate) को देखते हैं, तो आप तुरंत जान जाते हैं कि कौन सी खराब है।

4. वास्तविक दुनिया के परीक्षण

लेखकों ने इसे निम्नलिखित पर परखा:

सिंथेटिक "बनाना" आकार (Banana shapes): एक क्लासिक कठिन वक्र जो कंप्यूटर को भ्रमित करता है।
स्ट्रक्चरल इंजीनियरिंग: इमारतों के हवा में डगमगाने के बारे में वास्तविक डेटा (6 से 8 आयाम)।
मेडिकल डेटा: हृदय रोग की भविष्यवाणी करना (13 आयाम)।
जटिल सांख्यिकी: 20 वेरिएबल्स के साथ लॉजिस्टिक रिग्रेशन।

लगभग हर मामले में, "हार्ट" प्रमाण पत्र (प्रमाण पत्र II) एक उपयोगी, गैर-शून्य गारंटी देता है, जबकि "ब्लैंकेट" प्रमाण पत्र (प्रमाण पत्र I) हार मान लेता है और कहता है "मुझे नहीं पता।"

सारांश

CerT-MCMC एक नया उपकरण है जो इस बात का अनुमान लगाना बंद करता है कि कंप्यूटर का सांख्यिकीय सिमुलेशन काम कर रहा है या नहीं।

यह सुझाव देने के लिए एक नॉर्मलाइजिंग फ्लो (एक स्मार्ट न्यूरल नेटवर्क) का उपयोग करता है।
यह चालें सही हैं, यह सिद्ध करने के लिए दो प्रमाण पत्रों का उपयोग करता है।
"हार्ट" प्रमाण पत्र मुख्य आकर्षण है: यह असंभव-से-जांचने वाले किनारों को अनदेखा करता है और महत्वपूर्ण मध्य भाग पर ध्यान केंद्रित करता है, जिससे यह बहुत जटिल, उच्च-आयामी समस्याओं में भी काम करने में सक्षम होता है।
यह एक बुरे एल्गोरिदम और एक कठिन गणितीय समस्या के बीच अंतर कर सकता है, जो पिछले उपकरणों के लिए संभव नहीं था।

संक्षेप में, यह एक "ब्लैक बॉक्स" AI को एक पारदर्शी, ऑडिट योग्य उपकरण में बदल देता है जो आपको बताता है कि आप अपने परिणामों पर कितना भरोसा कर सकते हैं।

तकनीकी सारांश: ड्यूल स्पेक्ट्रल-गैप सर्टिफिकेट्स के माध्यम से सेल्फ-सर्टिफाइंग ट्रांसपोर्ट MCMC

1. समस्या विवरण (Problem Statement)

मार्कोव चेन मोंटे कार्लो (MCMC) अभी भी बेयसियन गणना के लिए मानक बना हुआ है, फिर भी अभिसरण (convergence) को सत्यापित करना एक खुला प्रश्न है। अभ्यासी हीयुरिस्टिक डायग्नोस्टिक्स (जैसे $\hat{R}$ , ट्रेस प्लॉट्स, प्रभावी नमूना आकार अनुमान) पर भरोसा करते हैं जो विकृतियों का पता तो लगा सकते हैं लेकिन कठोरता से अभिसरण को प्रमाणित नहीं कर सकते। हालांकि स्पेक्ट्रल-गैप बाउंड्स सैद्धांतिक रूप से ऐसे प्रमाण प्रदान करते हैं, वे शायद ही कभी व्यावहारिक रहे हैं क्योंकि उन्हें उन मात्राओं पर सटीक नियंत्रण की आवश्यकता होती है (जैसे इम्पॉर्टेंस-वेट ऑसिलेशन) जो अज्ञात लक्ष्य वितरण (target distribution) पर निर्भर करती हैं।

यह समस्या सीखे गए, अनुकूलित प्रस्तावों (learned, adaptive proposals), विशेष रूप से इंडिपेंडेंस मेट्रोपोलिस-हैस्टिंग्स (IMH) के लिए नॉर्मलाइजिंग फ्लो का उपयोग करने वाले प्रस्तावों के उदय के साथ और बढ़ जाती है। जबकि ये फ्लो प्रायोगिक मिश्रण (empirical mixing) में सुधार करते हैं, स्वयं ट्रांजिशन कर्नेल एक सीखा हुआ, उच्च-आयामी ऑब्जेक्ट बन जाता है, जिससे ऑडिटेबिलिटी कठिन हो जाती है। केंद्रीय प्रश्न जिसका समाधान किया गया है वह है: क्या एक सीखा हुआ प्रस्ताव अपने स्वयं के अभिसरण को प्रमाणित कर सकता है?

2. कार्यप्रणाली: CerT-MCMC फ्रेमवर्क

लेखक CerT-MCMC प्रस्तावित करते हैं, एक फ्रेमवर्क जो सीखे गए-ट्रांसपोर्ट MCMC को उसी नॉर्मलाइजिंग फ्लो से प्राप्त स्वचालित, कठोर अभिसरण प्रमाणों (convergence certificates) से सुसज्जित करता है जिसका उपयोग IMH प्रस्ताव के रूप में किया जाता है।

मुख्य तंत्र (Core Mechanism):
एक नॉर्मलाइजिंग फ्लो $T_\phi$ एक गॉसियन संदर्भ $q_0$ को लक्ष्य पोस्टीरियर $\pi$ के सन्निकटन में मैप करता है। लेटेंट $z$ -स्पेस में, IMH स्वीकृति प्रायिकता इम्पॉर्टेंस-वेट अनुपात $w(z) = \pi_z(z)/q_0(z) = e^{r(z)}$ पर निर्भर करती है, जहाँ $r(z)$ लॉग-वेट रेसिड्यूल है। यदि $T_\phi$ पूर्ण है, तो $r(z)$ स्थिर है; अन्यथा, $r(z)$ का ऑसिलेशन (oscillation) ट्रांसपोर्ट की गुणवत्ता को मापता है। मेंजर्सन-टीडी (Mengersen–Tweedie) प्रमेय बताता है कि IMH कर्नेल का स्पेक्ट्रल गैप $\gamma$ , $2/(1 + e^C)$ द्वारा निम्न-बद्ध (lower-bounded) है, जहाँ $C = \text{osc}(r)$ प्रस्ताव सपोर्ट के ऊपर $r(z)$ का ऑसिलेशन है।

फ्रेमवर्क इस ऑसिलेशन को बांधने के लिए दो पूरक प्रमाण विकसित करता है:

प्रमाण I: कवरिंग सर्टिफिकेट (The Covering Certificate)

दृष्टिकोण: यह एक परिमित-नमूना कवरिंग तर्क का उपयोग करके पूर्ण प्रस्ताव सपोर्ट पर ऑसिलेशन को बांधता है। यह नमूना बिंदुओं के बीच के अंतराल को ध्यान में रखने के लिए देखे गए नमूना रेंज में एक लिप्सचिट्ज़ सुधार पद (Lipschitz correction term) जोड़ता है।
स्केलिंग: सुधार त्रिज्या $O(n^{-1/D})$ के रूप में स्केल करती है, जहाँ $n$ प्रमाणन नमूनों की संख्या है और $D$ आयाम (dimension) है।
सीमा: आयामिकता के अभिशाप (curse of dimensionality) के कारण, यह प्रमाण मध्यम आयामों ( $D \gtrsim 6$ ) के लिए व्यावहारिक नमूना आकारों पर निरर्थक (vacuous) हो जाता है। लेखक सिद्ध करते हैं कि कोई भी पॉइंटवाइज इवैल्यूएशन एल्गोरिदम पूर्ण-सपोर्ट ऑसिलेशन को $\Omega(n^{-1/D})$ से तेज़ प्रमाणित नहीं कर सकता है।

प्रमाण II: क्वांटाइल-कोर सर्टिफिकेट (The Quantile-Core Certificate)

दृष्टिकोण: यह पहचानता है कि अच्छी तरह से प्रशिक्षित फ्लो के लिए, $r(z)$ अत्यधिक केंद्रित होता है, जिसमें पूर्ण ऑसिलेशन दुर्लभ सीमावर्ती आउटलेयर्स (boundary outliers) द्वारा संचालित होता है। यह प्रमाण $r(z)$ के अनुभवजन्य क्वांटाइल्स (empirical quantiles) द्वारा परिभाषित, प्रस्ताव के केंद्रीय $(1-2\rho)$ द्रव्यमान वाले "डेटा-परिभाषित रेसिड्यूल कोर" $\tilde{G}_\rho$ पर ध्यान केंद्रित करता है।
स्केलिंग: क्वांटाइल अनुमान के लिए परिमित-नमूना प्रायिकता स्लैक (slack) $O(n^{-1/2})$ है, जो ड्वोरेट्स्की-कीफर-वोल्फोविट्ज़ (Dvoretzky–Kiefer–Wolfowitz) असमानता से प्राप्त है, और यह एम्बिएंट आयाम $D$ से स्वतंत्र है।
परिणाम: यह इस कोर पर प्रतिबंधित IMH कर्नेल के लिए एक गणनीय, उच्च-विश्वास स्पेक्ट्रल-गैप निचला स्तर (lower bound) प्रदान करता है। प्रतिबंधित भारों के लिए नॉर्मलाइजिंग कांस्टेंट ठीक से कैंसिल हो जाते हैं, जिससे मेंजर्सन-टीडी प्रमेय सीधे लागू हो पाता है।

ड्यूल-सर्टिफिकेट फ्रेमवर्क:
ये दोनों प्रमाण पूरक हैं। प्रमाण I पूर्ण-सपोर्ट वर्स्ट-केस गारंटी प्रदान करता है जहाँ व्यवहार्य है ( $D \lesssim 5$ )। प्रमाण II एक उच्च-द्रव्यमान कोर गारंटी प्रदान करता है, जो अन-सर्टिफाइड टेल फ्रैक्शन (uncertified tail fraction) को ईमानदारी से रिपोर्ट करता है। साथ मिलकर, वे एक डायग्नोस्टिक टैक्सोनॉमी बनाते हैं जो निम्नलिखित के बीच अंतर करता है:

पूर्ण प्रमाण सफलता: दोनों गैर-निरर्थक।
कोर प्रमाण सफलता: प्रमाण II गैर-निरर्थक, प्रमाण I निरर्थक (फ्लो अच्छा है; कवरिंग प्रूफ बाधा है)।
ट्रांसपोर्ट डिग्रेडेशन: प्रमाण II गैर-निरर्थक लेकिन कमजोर (वास्तविक फ्लो गुणवत्ता में गिरावट)।
ट्रांसपोर्ट विफलता: प्रमाण II निरर्थक (खराब फ्लो)।

3. मुख्य योगदान (Key Contributions)

CerT-MCMC फ्रेमवर्क: एक प्रणाली जो सीखे गए-ट्रांसपोर्ट MCMC के लिए स्वचालित, कठोर स्पेक्ट्रल-गैप प्रमाण प्रदान करती है।
कवरिंग सर्टिफिकेट (I): कवरिंग बैरियर को औपचारिक रूप देता है, यह सिद्ध करते हुए कि पूर्ण-सपोर्ट प्रमाणन के लिए पॉइंटवाइज $\Omega(n^{-1/D})$ की एक वर्स्ट-केस लोअर बाउंड है, जो एक अलग दृष्टिकोण की आवश्यकता को प्रेरित करती है।
क्वांटाइल-कोर सर्टिफिकेट (II): एक आयाम-स्वतंत्र प्रमाण विकसित करता है ( $O(n^{-1/2})$ स्लैक), जो अनुभवजन्य क्वांटाइल्स का उपयोग करके एक उच्च-प्रायिकता कोर पर ऑसिलेशन को बांधता है।
प्रायोगिक सत्यापन: यह प्रदर्शित करता है कि प्रमाण II का स्पेक्ट्रल-गैप प्रॉक्सी बेयसियन लॉजिस्टिक रिग्रेशन ( $D=20$ ) में वास्तविक मिश्रण दक्षता (Effective Sample Size) को 7% के भीतर ट्रैक करता है।
विभेदक शक्ति (Discriminative Power): दिखाता है कि नेगेटिव कंट्रोल प्रयोगों के माध्यम से प्रमाण II, फ्लो की गुणवत्ता को $10\times$ के कारक से अलग करता है, जबकि मानक स्वीकृति दरें केवल $1.15\times$ का अंतर दिखाती हैं।

4. प्रयोगात्मक परिणाम (Experimental Results)

फ्रेमवर्क का मूल्यांकन किया गया:

सिंथेटिक टारगेट्स: बनाना टारगेट्स ( $D=2$ से $20 $)। प्रमाण I$ D \ge 6$ पर निरर्थक हो गया, जबकि प्रमाण II $D=10$ तक गैर-निरर्थक और स्थिर रहा, और $D=20$ पर भी गैर-निरर्थक बाउंड प्रदान किया जब फ्लो क्षमता कम हुई।
स्ट्रक्चरल इंजीनियरिंग पोस्टीरियर्स: सेलबोट ( $D=6$ ) और शियर बिल्डिंग ( $D=8$ ) मॉडल। प्रमाण I दोनों के लिए निरर्थक था, लेकिन प्रमाण II ने खुलासा किया कि फ्लो ने $D=6$ के मुकाबले $D=8$ टारगेट को बेहतर ढंग से सीखा, एक ऐसा अंतर जिसे प्रमाण I मिस कर गया।
रियल-डेटा लॉजिस्टिक रिग्रेशन: हार्ट डिजीज डेटासेट ( $D=13$ )। प्रमाण II एक मजबूत स्पेक्ट्रल गैप ( $\gamma \approx 0.64$ ) प्रदान करता है, जबकि प्रमाण I कमजोर रहा।
नेगेटिव कंट्रोल: बनाना टारगेट ( $D=10$ ) पर अच्छी तरह से प्रशिक्षित, कम प्रशिक्षित और मिसस्पेसिफाइड फ्लो की तुलना करना। प्रमाण II समान स्वीकृति दरों के बावजूद खराब फ्लो की पहचान करने में सफल रहा (कम $\gamma$ )।

5. महत्व और दावे (Significance and Claims)

पेपर का दावा है कि यह सीखे गए-ट्रांसपोर्ट MCMC के लिए पहला ड्यूल-सर्टिफिकेट फ्रेमवर्क प्रदान करता है जो स्वचालित, आयाम-जागरूक अभिसरण प्रमाण प्रदान करता है। इसका प्राथमिक महत्व है:

ऑडिटेबल बेयसियन कंप्यूटेशन: सीखे गए ट्रांसपोर्ट को एक "ब्लैक-बॉक्स एक्सेलेरेटर" से एक ऑडिटेबल ऑब्जेक्ट में बदलना, जहाँ वही मैप जो मूव्स प्रस्तावित करता है, अभिसरण प्रमाणन के लिए रेसिड्यूल ज्योमेट्री को भी उजागर करता है।
विफलता मोडों को अलग करना: "प्रूफ-तकनीक सीमाओं" (उच्च आयामों में कवरिंग बैरियर) को "वास्तविक ट्रांसपोर्ट विफलता" से स्पष्ट रूप से अलग करना। मानक डायग्नोस्टिक्स यह अंतर नहीं कर सकते।
व्यावहारिक उपयोगिता: एक गणनीय स्पेक्ट्रल-गैप बाउंड प्रदान करना जो वास्तविक मिश्रण दक्षता को ट्रैक करता है, जो मध्यम-आयामी समस्याओं के लिए हीयुरिस्टिक डायग्नोस्टिक्स का एक कठोर विकल्प है।

लेखक अपनी सीमाओं के संबंध में विनम्र रहते हैं: प्रमाण कोर-प्रतिबंधित कर्नेल पर लागू होता है न कि पूर्ण चेन पर (हालांकि कोर अधिकांश द्रव्यमान को कैप्चर करता है), और फ्रेमवर्क वर्तमान में इंडिपेंडेंस मेट्रोपोलिस-हैस्टिंग्स के लिए विशिष्ट है। वे नोट करते हैं कि बहुत उच्च-आयामी वास्तविक-डेटा टारगेट्स ( $D \ge 30$ ) के लिए, फ्लो द्वारा ज्यामिति को प्रभावी ढंग से अनुमानित करने से पहले अक्सर मानक प्रीकंडीशनिंग की आवश्यकता होती है।