📊 statistics

Model Selection for SLOPE Models: A Bayesian Perspective

यह शोध पत्र नए बेयसियन दृष्टिकोणों (BGSLOPE और BSGS) और एक टू-स्टेप ऑर्थोगोनल (TSO) रूपांतरण का प्रस्ताव करता है ताकि SLOPE मॉडलों को फॉल्स डिस्कवरी रेट को नियंत्रित करने और सामान्य स्थितियों के तहत बेहतर भविष्य कहनेवाला प्रदर्शन प्राप्त करने में सक्षम बनाया जा सके, जो मौजूदा क्रॉस-वैलिडेशन विधियों की सीमाओं को संबोधित करता है।

मूल लेखक: Fabio Feser, Marina Evangelou

प्रकाशित 2026-06-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Fabio Feser, Marina Evangelou

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 जासूस हैं जो एक बड़े अपराध स्थल को सुलझाने की कोशिश कर रहे हैं जहाँ हजारों संभावित संदिग्ध (variables) मौजूद हैं। आपका लक्ष्य असली दोषियों (true signals) को ढूंढना है जबकि निर्दोष राहगीरों (noise) को नजरअंदाज करना है। हालाँकि, आपका एक सख्त नियम है: आप बहुत अधिक निर्दोष लोगों पर आरोप नहीं लगा सकते। सांख्यिकी (statistics) में, इस नियम को फॉल्स डिस्कवरी रेट (FDR) को नियंत्रित करना कहा जाता है।

यह शोध पत्र एक विशिष्ट प्रकार के जासूसी कार्य को संबोधित करता है जिसे SLOPE (Sorted $\ell_1$ Penalized Estimation) कहा जाता है। SLOPE एक चतुर उपकरण है जो आमतौर पर तब पूरी तरह से काम करता है जब सभी संदिग्ध एक सीधी रेखा में, एक-दूसरे से दूर खड़े होते हैं ("ऑर्थोगोनल" सेटिंग)। लेकिन वास्तविक दुनिया में, संदिग्ध अक्सर समूहों में या कंधे से कंधा मिलाकर खड़े होते हैं, जिससे यह पहचानना कठिन हो जाता है कि कौन कौन है। जब डेटा अव्यवस्थित और सह-संबंधित (correlated) हो जाता है, तो मानक SLOPE टूल अक्सर निर्दोषों की रक्षा करने का अपना वादा निभाने में विफल रहता है।

लेखक, फैबियो फेसेर और मरीना इवेंजेलो, इस समस्या को हल करने का एक नया तरीका प्रस्तावित करते हैं: बेयसियन ग्रुप SLOPE (Bayesian Group SLOPE)। यहाँ इसे सरल उपमाओं के माध्यम से समझाया गया है।

1. समस्या: "क्रिस्टल बॉल" टूट गई है

मानक SLOPE एक जादुई क्रिस्टल बॉल की तरह काम करता है जो आपको बताता है कि कमरे में शोर (noise) का स्तर कितना है। यदि आप शोर के स्तर को जानते हैं, तो टूल जानता है कि उसे कितना सख्त होना चाहिए। लेकिन वास्तविक जीवन में, आपके पास क्रिस्टल बॉल नहीं होती; आपको शोर के स्तर का अनुमान लगाना पड़ता है।

पुराना तरीका (क्रॉस-वैलिडेशन): अधिकांश लोग अलग-अलग सेटिंग्स आज़माकर और यह देखकर शोर का अनुमान लगाते हैं कि कौन सी सेटिंग भविष्य की सबसे अच्छी भविष्यवाणी करती है। लेखक तर्क देते हैं कि यह एक ताले के लिए सही चाबी खोजने के लिए चाबियों के एक छल्ले पर मौजूद हर चाबी को यह देखने के लिए टेस्ट करने जैसा है कि कौन सी चाबी दरवाजा सबसे तेजी से खोलती है। यह दरवाजा खोल सकती है, लेकिन यह गलत चाबी भी चुन सकती है (निर्दोषों पर आरोप लगा सकती है) क्योंकि यह सटीकता के बजाय गति पर केंद्रित है।
परिणाम: पुराने तरीके अक्सर बहुत अधिक "गलत अलार्म" (false alarms) को अंदर आने देते हैं, खासकर जब डेटा अव्यवस्थित होता है।

2. समाधान: बेयसियन "स्पाइकी-स्लैब" टेंट

लेखक एक नया दृष्टिकोण पेश करते हैं जिसे बेयसियन ग्रुप SLOPE (BGSLOPE) और बेयसियन स्पार्स-ग्रुप SLOPE (BSGS) कहा जाता है। वे स्पाइक-एंड-स्लैब (Spike-and-Slab) नामक एक ढांचे का उपयोग करते हैं।

कल्पना कीजिए कि आप अपने संदिग्धों के लिए एक टेंट लगा रहे हैं:

द स्पाइक (The Spike): यह आपके टेंट का एक छोटा, तंग कोना है जहाँ आप निर्दोष लोगों को बैठने के लिए मजबूर करते हैं। उन्हें इतना दबा दिया जाता है (भारी दंड दिया जाता है) कि वे शून्य (zero) हो जाते हैं। वे तस्वीर से गायब हो जाते हैं।
द स्लैब (The Slab): यह असली दोषियों के लिए एक विशाल, आरामदायक क्षेत्र है। उन्हें यहाँ घूमने की आजादी के साथ बैठने की अनुमति है (उन्हें एक गैर-शून्य मान मिलता है)।

"बेयसियन" हिस्सा ही असली बुद्धिमानी है। शोर के स्तर का अनुमान लगाने के बजाय, मॉडल टेंट लगाने के दौरान ही शोर के स्तर को सीखता (learn) है। यह टेंट सेट करते समय "स्पाइक" और "स्लैब" के आकार को गतिशील रूप से समायोजित करता है। यह एक ऐसे टेंट की तरह है जो कमरे में भीड़ के आधार पर अपने दीवारों को स्वचालित रूप से फैलाता या सिकोड़ता है, यह सुनिश्चित करता है कि निर्दोष बाहर रहें जबकि दोषी अंदर रहें।

3. समूहों को संभालना: "परिवार" की उपमा

जेनेटिक्स और अन्य क्षेत्रों में, संदिग्ध अक्सर परिवारों (समूहों) में आते हैं। यदि परिवार का एक सदस्य दोषी है, तो पूरे परिवार पर संदेह किया जा सकता है।

BGSLOPE इन परिवारों को एक एकल इकाई के रूप में मानता है। यह तय करता है कि पूरे परिवार को "स्पाइक" (निर्दोष) में रखना है या "स्लैब" (दोषी) में।
BSGS और भी अधिक परिष्कृत है। यह एक दो-स्तरीय जासूस की तरह है। पहले, यह तय करता है कि कौन से परिवार दोषी हैं। फिर, उन दोषी परिवारों के भीतर, यह तय करता है कि वास्तव में कौन से व्यक्तिगत सदस्य अपराधी हैं। यह इसे बहुत सटीक बनाता है, जिससे यह निर्दोष परिवार के सदस्यों को छान सकता है, भले ही पूरा परिवार संदिग्ध हो।

4. "टू-स्टेप ऑर्थोगोनल" (TSO) ट्रिक

लेखक एक बैकअप योजना भी प्रस्तावित करते हैं जिसे टू-स्टेप ऑर्थोगोनल (TSO) कहा जाता है।

चरण 1: वे एक सरल, तेज़ उपकरण (Lasso) का उपयोग करके एक त्वरित जांच करते हैं और संदिग्धों की एक छोटी सूची चुनते हैं।
चरण 2: वे कमरे को गणितीय रूप से इस तरह व्यवस्थित करते हैं कि शेष संदिग्ध एक-दूसरे से दूर खड़े हों (डेटा को "ऑर्थोगोनल" बनाना)।
चरण 3: अब जब कमरा व्यवस्थित हो गया है, तो वे SLOPE टूल चलाते हैं, जो इस नए, व्यवस्थित वातावरण में पूरी तरह से काम करता है।
यह एक जासूस द्वारा पहले भीड़ को कम करने के लिए त्वरित गणना करने और फिर शेष लोगों को एक कतार में व्यवस्थित करने जैसा है ताकि वास्तविक पहचान प्रक्रिया बिना किसी भ्रम के हो सके।

5. परिणाम: केस किसने जीता?

लेखकों ने हजारों सिम्युलेटेड क्राइम सीन और वास्तविक दुनिया के डेटा (जैसे जीन एक्सप्रेशन डेटा और सर्वेक्षण परिणाम) का उपयोग करके अपने नए बेयसियन टेंट और TSO ट्रिक का पुराने तरीकों के विरुद्ध परीक्षण किया।

फैसला: नए बेयसियन मॉडल (BGSLOPE और BSGS) स्पष्ट विजेता थे।
- FDR कंट्रोल: उन्होंने लगातार "गलत अलार्म" की दर को कम रखा, जिससे निर्दोषों की रक्षा करने का उनका वादा बना रहा।
- पावर (Power): वे अन्य तरीकों की तुलना में असली दोषियों को खोजने में बेहतर थे (उच्च पावर), जिन्होंने गलत अलार्म को कम रखने का प्रयास भी किया था।
- प्रेडिक्शन (Prediction): वे भविष्य के परिणामों की भविष्यवाणी करने में भी बेहतर थे।
उप-विजेता (Runner Up): TSO विधि दूसरे स्थान पर रही, विशेष रूप से इसलिए क्योंकि यह बहुत तेज़ थी, हालांकि यह बेयसियन मॉडलों की तुलना में हर एक दोषी को खोजने में थोड़ी कम प्रभावी थी।

सारांश

संक्षेप में, यह शोध पत्र कहता है: "SLOPE टूल्स का उपयोग करते समय शोर के स्तर का अनुमान लगाना बंद करें। इसके बजाय, हमारे नए बेयसियन दृष्टिकोण का उपयोग करें जो शोर को स्वचालित रूप से सीखता है और संदिग्धों को समूहों में व्यवस्थित करता है। यह आपके 'गलत अलार्म' की दर को कम रखता है और आपको असली संकेतों को खोजने में मदद करता है, भले ही डेटा अव्यवस्थित और सह-संबंधित हो।"

वे एक तेज़, दो-चरणीय विकल्प (TSO) भी प्रदान करते हैं जब आपको त्वरित समाधान की आवश्यकता हो, लेकिन बेयियन पद्धति इस काम के लिए सबसे सटीक और विश्वसनीय उपकरण है।

तकनीकी सारांश: SLOPE मॉडलों के लिए मॉडल चयन: एक बायेसियन परिप्रेक्ष्य

समस्या विवरण

सॉर्टेड $\ell_1$ पेनलाइज्ड एस्टिमेशन (SLOPE) मॉडल, जिनमें उनके समूह-आधारित विस्तार (ग्रुप SLOPE या gSLOPE, और स्पार्स-ग्रुप SLOPE या SGS) शामिल हैं, वेरिएबल और ग्रुप सिलेक्शन के लिए एक शक्तिशाली ढांचा प्रदान करते हैं, जो सैद्धांतिक फाल्स डिस्कवरी रेट (FDR) नियंत्रण के साथ आता है। हालाँकि, ये सैद्धांतिक गारंटी केवल ऑर्थोगोनल डिज़ाइन मैट्रिसेस और ज्ञात नॉइज़ स्तरों के लिए ही सख्ती से सीमित हैं। व्यावहारिक अनुप्रयोगों में, डिज़ाइन शायद ही कभी ऑर्थोगोनल होते हैं, और नॉइज़ अज्ञात होती है।

SLOPE के लिए वर्तमान मॉडल चयन रणनीतियाँ ट्यूनिंग पैरामीटर के लिए क्रॉस-वैलिडेशन (CV) या नॉइज़ एस्टिमेशन तकनीकों पर बहुत अधिक निर्भर करती हैं। CV प्रेडिक्टिव परफॉर्मेंस को ऑप्टिमाइज़ करता है न कि FDR नियंत्रण को, जिससे अक्सर ओवरफिटिंग और बढ़े हुए FDR स्तरों की समस्या होती है। अन्य फ्रीक्वेंटिस्ट दृष्टिकोण, जैसे कि नॉकऑफ्स (Knockoffs) या स्टेबिलिटी सिलेक्शन (Stability selection), सामान्य कोरिलेशन स्ट्रक्चर के तहत FDR नियंत्रण बनाए रखने में संघर्ष करते हैं या उच्च कम्प्यूटेशनल लागत का सामना करते हैं। सामान्य, गैर-ऑर्थोगोनल सेटिंग्स में FDR नियंत्रण, उच्च सांख्यिकीय शक्ति (statistical power) और प्रेडिक्टिव सटीकता को एक साथ सुनिश्चित करने वाले SLOPE मॉडलों के लिए ट्यूनिंग पैरामीटर्स चुनने में पद्धतिगत अंतराल मौजूद है।

कार्यप्रणाली

लेखक इन सीमाओं को संबोधित करने के लिए एक बायेसियन ढांचे का प्रस्ताव करते हैं, जो स्पाइक-एंड-स्लैब प्रायर स्ट्रक्चर में SLOPE नॉर्म्स को एम्बेड करता है। यह दृष्टिकोण स्पष्ट रूप से $\lambda$ के ट्यूनिंग पैरामीटर की आवश्यकता के बिना, रिग्रेशन कोएफिशिएंट्स ( $\beta$ ) और नॉइज़ ( $\sigma^2$ ) का संयुक्त अनुमान लगाने की अनुमति देता है।

1. प्रस्तावित बायेसियन मॉडल

पेपर दो प्राथमिक मॉडल पेश करता है:

बायेसियन ग्रुप SLOPE (BGSLOPE): यह एक पदानुक्रमित (hierarchical) मॉडल है जो ग्रुप स्ट्रक्चर के लिए एडेप्टिव बायेसियन SLOPE (ABSLOPE) ढांचे का विस्तार करता है। यह एक निरंतर स्पाइक-एंड-स्लैब प्रायर का उपयोग करता है जहाँ ग्रुप इंक्लूजन को एक बाइनरी वेक्टर $\gamma$ और एक मिश्रण अनुपात $\theta$ द्वारा नियंत्रित किया जाता है। प्रायर सिग्नल स्ट्रेंथ रेशियो पैरामीटर $c$ के माध्यम से सक्रिय समूहों को निष्क्रिय समूहों की तुलना में कम दंडित करता है।
बायेसियन स्पार्स-ग्रुप SLOPE (BSGS): स्पार्स-ग्रुप मॉडलों के लिए एक नवीन निरंतर स्पाइक-एंड-स्लैब ढांचा। यह समूहों ( $\gamma$ ) और व्यक्तिगत वेरिएबल्स ( $\delta$ ) दोनों के लिए बाइनरी इंक्लूजन वेक्टर्स के साथ एक दोहरी-स्तरीय चयन प्रक्रिया पेश करता है। यह द्वि-स्तरीय चयन की अनुमति देता जहाँ वेरिएबल्स केवल तभी सक्रिय हो सकते हैं जब उनके पैरेंट ग्रुप सक्रिय हों। BSGS विशेष रूप से स्पार्स-ग्रुप मॉडलों के लिए डिज़ाइन किया गया पहला निरंतर स्पाइक-एंड-स्लैब ढांचा है।

दोनों मॉडल इन्फरेंस के लिए स्टोकेस्टिक एप्रोक्सिमेशन एक्सपेक्टेशन-मैक्सिमाइजेशन (SAEM) एल्गोरिदम का उपयोग करते हैं। SAEM एल्गोरिदम मानक EM के कठिन एक्सपेक्टेशन स्टेप को एक सिमुलेशन स्टेप (लेटेंट वेरिएबल्स का गिब्स सैंपलिंग) और एक स्टोकेस्टिक एप्रोक्सिमेशन स्टेप द्वारा प्रतिस्थापित करता है। गणना को तेज करने के लिए, लेखक SLOBE वेरिएंट (GSLOBE और SGSLOBE) भी प्रस्तावित करते हैं, जो लेटेंट वेरिएबल डिस्ट्रीब्यूशन को उनके कंडीशनल एक्सपेक्टेशन का उपयोग करके अनुमानित करते हैं।

2. टू-स्टेप ऑर्थोगोनल (TSO)

एक फ्रीक्वेंटिस्ट विकल्प के रूप में, पेपर टू-स्टेप ऑर्थोगोनल (TSO) प्रक्रिया प्रस्तावित करता है। यह विधि एक सामान्य सेटिंग को एक ऑर्थोगोनल सेटिंग में बदल देती है ताकि SLOPE के FDR गुणों को पुनः प्राप्त किया जा सके:

क्रॉस-वैलिडेशन के साथ Lasso का उपयोग करके वेरिएबल्स का एक प्रारंभिक सेट चुनें।
ग्राम-श्मिट (Gram-Schmidt) का उपयोग करके चयनित डिज़ाइन मैट्रिक्स को ऑर्थोगोनलाइज़ करें।
एक विशिष्ट पेनल्टी सीक्वेंस (लो-डायमेंशनल सेटिंग्स के लिए गौसियन सीक्वेंस) का उपयोग करके ऑर्थोगोनलाइज़्ड मैट्रिक्स पर एक SLOPE मॉडल फिट करें।

मुख्य योगदान

नवीन बायेसियन फ्रेमवर्क: BGSLOPE और BSGS का विकास, जो ग्रुप-आधारित SLOPE मॉडलों के लिए स्पाइक-एंड-स्लैब ढांचे का विस्तार करते हैं। BSGS विशेष रूप से स्पार्स-ग्रुप सिलेक्शन के लिए पहला निरंतर स्पाइक-एंड-स्लैब फॉर्मूलेशन प्रदान करता है।
सामान्य सेटिंग्स में FDR नियंत्रण: कोएफिशिएंट्स के साथ नॉइज़ लेवल को संयुक्त रूप से सीखकर, बायेसियन मॉडल ऑर्थोगोनल डिज़ाइन के तहत प्रेडिक्टिव ऑप्टिमाइजेशन (CV) और FDR नियंत्रण के बीच मिसअलाइनमेंट से बचते हैं, जिससे कोरिलेटेड डिज़ाइन्स में भी मजबूत FDR नियंत्रण प्रदर्शित होता है जहाँ फ्रीक्वेंटिस्ट विधियाँ विफल रहती हैं।
एल्गोरिद्मिक कार्यान्वयन: इन जटिल, नॉन-सेपरेबल नॉर्म्स के लिए SAEM अपडेट का व्युत्पन्न, जिसमें इंक्लूजन इंडिकेटर्स और सिग्नल स्ट्रेंथ रेशियो के लिए विशिष्ट गिब्स सैंपलिंग स्टेप्स शामिल हैं।
TSO प्रस्ताव: एक दो-चरणीय प्रक्रिया का परिचय जो सामान्य सेटिंग्स में FDR नियंत्रण सक्षम करने के लिए ऑर्थोगोनलाइजेशन का लाभ उठाती है, जो एक कम्प्यूटेशनल रूप से कुशल फ्रीक्वेंटिस्ट विकल्प के रूप में कार्य करती है।
व्यापक मूल्यांकन: सिंथेटिक और वास्तविक दुनिया के डेटासेटों में इन विधियों का अत्याधुनिक दृष्टिकोणों (CV, Knockoffs, Scaled Regression, Stability Selection) के विरुद्ध विस्तृत तुलना।

प्रयोगात्मक परिणाम

सिंथेटिक अध्ययन

लेखकों ने स्पैरसिटी, सिग्नल स्ट्रेंथ, डायमेंशनलिटी, नॉइज़ और कोरिलेशन स्ट्रक्चर को बदलते हुए व्यापक सिमुलेशन किए।

FDR नियंत्रण: प्रस्तावित बायेसियन मॉडल (BGSLOPE और BSGS) लगभग सभी सेटिंग्स में, उच्च कोरिलेशन सहित, लक्षित स्तर (0.1) पर FDR को लगातार नियंत्रित करते हैं। इसके विपरीत, CV और अन्य फ्रीक्वेंटिस्ट विधियाँ, विशेष रूप से मध्यम से मजबूत कोरिलेशन के तहत, अक्सर लक्षित FDR से अधिक हो जाती हैं। TSO ने भी FDR नियंत्रण बनाए रखा लेकिन कम पावर के साथ।
पावर और सिलेक्शन: उन विधियों में जिन्होंने FDR को नियंत्रित किया, बायेसियन दृष्टिकोणों ने उच्चतम सांख्यिकीय शक्ति और F1 स्कोर प्राप्त किया। BSGS ने बेहतर वेरिएबल-लेवल सिलेक्शन सटीकता प्रदर्शित की।
प्रेडिक्शन: बायेसियन मॉडलों ने CV और Knockoffs को पछाड़ते हुए, सबसे कम आउट-ऑफ-सैंपल (OOS) प्रेडिक्शन एरर और कोएफिशिएंट्स के लिए मीन स्क्वेर्ड एरर (MSE) प्राप्त किया।
नॉइज़ एमिशन: जबकि बायेसियन मॉडलों ने उचित नॉइज़ अनुमान प्रदान किए, AS-SGS (एडैप्टिवली स्केल्ड SGS) जैसी विधियों ने नॉइज़ एस्टिमेशन में उच्च सटीकता दिखाई लेकिन FDR को नियंत्रित करने में विफल रहीं, जो एस्टिमेशन प्रिसिजन और सिलेक्शन वैलिडिटी के बीच एक ट्रेड-ऑफ को उजागर करती है।

वास्तविक डेटा अनुप्रयोग

विधियों को सात वास्तविक दुनिया के डेटासेट्स (कैंसर, कोलाइटिस, BRCA1 और ट्रस्ट-एक्सपर्ट्स सहित) पर लागू किया गया।

प्रेडिक्टिव परफॉर्मेंस: बायेसियन मॉडल अधिकांश डेटासेट्स और मॉडल प्रकारों (SLOPE, gSLOPE, SGS) में लगातार सर्वश्रेष्ठ प्रेडिक्टिव प्रदर्शन (सबसे कम नॉर्मलाइज्ड MSE) प्रदान करते हैं।
मजबूती (Robustness): बायेसियन दृष्टिकोण विभिन्न डेटा विशेषताओं के प्रति मजबूत साबित हुआ, जबकि TSO ने कुछ विशिष्ट डेटासेट्स (जैसे कोलाइटिस) पर कुछ मॉडल प्रकारों के साथ मिलकर खराब प्रदर्शन दिखाया।

महत्व और दावे

पेपर निष्कर्ष निकालता है कि सामान्य सेटिंग्स के तहत, SLOE मॉडल्स को प्रस्तावित बायेसियन ढांचे के भीतर सबसे अच्छी तरह से लागू किया जाना चाहिए। लेखक दावा करते हैं कि यह दृष्टिकोण SLOPE के सैद्धांतिक FDR नियंत्रण गुणों को व्यावहारिक, गैर-ऑर्थोगोनल परिदृश्यों में प्रभावी रूप से बहाल करता है।

मुख्य दावे शामिल हैं:

बेहतर बायेसियन सिलेक्शन: बायेसियन कार्यप्रणाली नॉइज़ पैरामीटर के माध्यम से $\lambda$ को सीखने के जरिए मैन्युअल ट्यूनिंग की आवश्यकता को समाप्त करती है, जो CV के लिए एक सिद्धांत आधारित विकल्प प्रदान करती है जो चयन उद्देश्यों को FDR नियंत्रण के साथ संरेखित करती है।
लचीलापन: यह ढांचा अभ्यासकर्ताओं को पावर और FDR नियंत्रण के बीच संतुलन को ट्यून करने के लिए प्रायर हाइपरपैरामीटर्स के माध्यम से डोमेन ज्ञान को शामिल करने की अनुमति देता है।
व्यावहारिक प्रभाव: प्रायोगिक परिणाम दर्शाते हैं कि ये मॉडल न केवल गलत खोजों को नियंत्रित करते हैं बल्कि प्रतिस्पर्धी फ्रीक्वेंटिस्ट विधियों की तुलना में कम बायस्ड अनुमान और उच्च प्रेडिक्टिव सटीकता भी प्रदान करते हैं।

लेखक कम्प्यूटेशनल लागत के संबंध में एक विनम्र लहजा बनाए रखते हैं, यह स्वीकार करते हुए कि बायेसियन विधियाँ फ्रीक्वेंटिस्ट समकक्षों की तुलना में अधिक महंगी हैं लेकिन डायमेंशनलिटी के साथ अच्छी तरह से स्केल करती हैं। वे जोर देते हैं कि प्रस्तावित मॉडल उच्च-आयामी रिग्रेशन के लिए एक मजबूत समाधान प्रदान करते हैं जहाँ FDR नियंत्रण एक प्राथमिक उद्देश्य है।