🔢 mathematics

Convex Relaxations for the Optimization of Markov Processes

यह शोध पत्र अनुक्रमिक युग्मनों (sequential couplings) के माध्यम से समस्या को पुनर्गठित करके और स्थानीय मार्जिनल्स (local marginals) एवं क्लस्टर मोमेंट्स (cluster moments) पर आधारित उत्तरोत्तर विश्रांति (convex relaxations) विकसित करके निर्धारित वितरणों के बीच मार्कोव प्रक्रियाओं को अनुकूलित करने में आयामी अभिशाप (curse of dimensionality) को संबोधित करता है, ताकि गणनीय सीमाएँ (computable bounds) प्रदान की जा सकें और गतिशील इष्टतम परिवहन (dynamic optimal transport) एवं आइसिंग मॉडल (Ising models) सहित निम्न-क्रम सांख्यिकी (low-order statistics) को प्राप्त किया जा सके।

मूल लेखक: Hongyi Zhang, Yuehaw Khoo, Tianyun Tang

प्रकाशित 2026-07-13

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hongyi Zhang, Yuehaw Khoo, Tianyun Tang

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 गैस के एक विशाल, अदृश्य बादल को एक आकार से दूसरे आकार में निर्देशित करने की कोशिश कर रहे हैं। शायद यह एक पूर्ण गोले के रूप में शुरू होता है और इसे एक मुड़े हुए प्रेट्ज़ल (pretzel) में बदलना है। लेकिन यहाँ एक पेच है: आप चुटकी बजाकर आकार को तुरंत नहीं बदल सकते। आपको गैस के कणों को एक-एक करके, एक विशिष्ट अवधि में, चरण-दर-चरण स्थानांतरित करना होगा, और आप इसे सबसे ऊर्जा-कुशल तरीके से करना चाहते हैं।

यही वह समस्या है जिसे लेखक हल कर रहे हैं। वे इसे "मार्कोव प्रक्रियाओं का अनुकूलन" (optimizing Markov processes) कहते हैं, लेकिन आइए इसे "द ग्रेट क्लाउड शेपिंग चैलेंज" कहें।

बड़ी समस्या: बहुत अधिक कण, बहुत कम दिमागी शक्ति

मुख्य बाधा क्या है जिसे गणितज्ञ "आयाम का अभिशाप" (curse of dimensionality) कहते हैं। कल्पना कीजिए कि आपका बादल केवल 3D स्पेस में नहीं है, बल्कि 50 आयामों (या उससे भी अधिक) में है। हर एक कण को ट्रैक करने और यह जानने के लिए कि हर एक कण दूसरे के सापेक्ष कहाँ है, आपको संख्याओं की एक ऐसी सूची लिखनी होगी जो इतनी विशाल होगी कि दुनिया का कोई भी कंप्यूटर उसे कभी रख ही नहीं पाएगा। यह पृथ्वी के हर समुद्र तट पर मौजूद रेत के हर कण के स्थान को एक साथ याद रखने की कोशिश करने जैसा है।

लेखक तर्क देते हैं कि पूरे बादल को एक साथ ट्रैक करके इसे हल करने की कोशिश करना एक मृत अंत है। इसके बजाय, लेखक एक चतुर तरकीब का प्रस्ताव करते हैं: पूरे बादल को मत देखिए; बस पड़ोस पर नज़र रखिए।

समाधान: पड़ोस की निगरानी (The Neighborhood Watch)

पूरे ब्रह्मांड का मानचित्र बनाने के बजाय, लेखक बादल को छोटे, प्रबंधनीय समूहों में तोड़ने का सुझाव देते हैं। इसे एक शहर की तरह समझें। आपको यह समझने के लिए पूरे देश के ट्रैफ़िक प्रवाह को जानने की आवश्यकता नहीं है कि आपके विशिष्ट ब्लॉक में लोग कैसे चल रहे हैं। आपको बस यह जानने की आवश्यकता है कि आपके ब्लॉक के लोग कैसे चल रहे हैं और वे अगले ब्लॉक के साथ कैसे परस्पर क्रिया (interact) कर रहे हैं।

लेखकों ने कॉन्वेक्स रिलैक्सेशन (convex relaxation) नामक एक विधि विकसित की है। सरल शब्दों में, इसका अर्थ है कि उन्होंने एक अत्यंत कठिन, जटिल पहेली को एक सुचारू, आसान पहेली में बदल दिया जो एक "सर्वश्रेष्ठ अनुमान" वाला उत्तर देती है।

यह कैसे काम करता है: वे केवल "लोकल मार्जिनल्स" (local marginals) को ट्रैक करते हैं। यह एक फैंसी तरीका है यह कहने का कि वे केवल कणों के छोटे समूहों (जैसे पड़ोसियों की एक जोड़ी या एक छोटा क्लस्टर) के सांख्यिकी (statistics) को ट्रैक करते हैं, न कि पूरी भीड़ को।
परिणाम: उन्हें एक "लोअर बाउंड" (lower bound) प्राप्त होता है। कल्पना कीजिए कि आप एक भूलभुलैया के माध्यम से सबसे छोटा रास्ता खोजने की कोशिश कर रहे हैं। आप पूरी भूलभुलैया को नहीं देख सकते, इसलिए आप उस न्यूनतम दूरी की गणना करते हैं जिसे आप संभावित रूप से तय कर सकते हैं। आपको अभी तक सटीक पथ नहीं मिल सकता है, लेकिन आप जानते हैं कि आप उस संख्या से बेहतर नहीं कर सकते। शोध पत्र दिखाता है कि उनकी विधि बादल को चलाने की लागत पर एक बहुत ही सटीक, गणना योग्य लोअर बाउंड प्रदान करती है।

विशेष मामला: "बेनामौ-ब्रिएर" हाईवे (The "Benamou-Brenier" Highway)

यह शोध पत्र समस्या के एक विशेष संस्करण पर प्रकाश डालता है जिसे डायनेमिक ऑप्टिमल ट्रांसपोर्ट (Dynamic Optimal Transport) कहा जाता है। यह एक सुपर-हाईवे की तरह है जहाँ बादल भौतिकी के नियमों (विशेष रूप से, फ्लुइड डायनेमिक्स) के अनुसार चलता है।

खोज: लेखकों ने सिद्ध किया कि यदि आप इस विशिष्ट प्रकार की समस्या पर अपनी विधि का उपयोग करते हैं, तो आपको केवल एक लोअर बाउंड ही नहीं मिलता; बल्कि आप सटीक "वेलोसिटी फील्ड" (velocity field) को भी प्राप्त करते हैं। इसे एक हवा के मानचित्र के रूप में सोचें जो आपको बताता है कि बादल को आकार A से आकार B तक ले जाने के लिए प्रत्येक बिंदु पर हवा कितनी तेज़ और किस दिशा में चल रही है।
विश्वास: उन्होंने केवल अनुमान नहीं लगाया; उन्होंने गणितीय रूप से सिद्ध किया कि उनकी डिस्क्रीट, चरण-दर-चरण विधि ग्रिड पॉइंट्स पर प्रसिद्ध निरंतर भौतिक सूत्र (बेनामौ-ब्रिएर फॉर्मूला) के समान सटीक परिणाम देती है।

"फिटिंग" की तकनीक: सांख्यिकी से एक मूवी तक

यहाँ वास्तव में दिलचस्प हिस्सा है। गणित उन्हें प्रत्येक चरण पर बादल की सांख्यिकी देता है (जैसे "इस कोने में 50% कण बाईं ओर जा रहे हैं"), लेकिन यह उन्हें कणों की गति का मूवी (चलचित्र) नहीं देता है। यह एक भीड़ की फोटो होने जैसा है लेकिन यह नहीं पता कि कौन कहाँ जा रहा है।

इसे ठीक करने के लिए, उन्होंने एक कर्नेल-फिटिंग प्रक्रिया (kernel-fitting procedure) विकसित की है।

उपमा: कल्पना कीजिए कि आपके पास एक डांस फ्लोर की धुंधली फोटो है। आप नर्तकों की औसत स्थिति जानते हैं। अब, आप एक विशिष्ट नृत्य चाल (एक "कर्नेल") खोजना चाहते हैं, जो यदि आप एक रोबोट को सिखाते हैं, तो वह रोबोट उस धुंधली फोटो की नकल करेगा।
अनुप्रयोग: उन्होंने इसका परीक्षण आइसिंग मॉडल (Ising models) पर किया, जो छोटे चुंबकों (स्पिन्स) के ग्रिड की तरह हैं जो ऊपर या नीचे की ओर इशारा कर सकते हैं। वे चुंबकों के एक ग्रिड को उस अवस्था से बदलना चाहते थे जहाँ वे सभी संरेखित (align) होना पसंद करते हैं (फेरोमैग्नेटिक) से एक ऐसी अवस्था में जहाँ वे बारी-बारी से (alternate) होना पसंद करते हैं (एंटीफेरोमैग्नेटिक)।
परिणाम: उन्होंने अपनी गणित का उपयोग "धुंधली फोटो" (स्थानीय सांख्यिकी) प्राप्त करने के लिए किया और फिर एक विशिष्ट चुंबकीय अपडेट नियम (जिसे ग्लाबर डायनेमिक्स कहा जाता है) को उससे "फिट" किया। उनके सिमुलेशन में, रोबोट का नृत्य (फिट किया गया ग्लबर डायनेमिक्स) धुंधली फोटो से लगभग पूरी तरह मेल खाता था।

वे क्या नहीं करते (और क्या वे खारिज करते हैं)

यह जानना महत्वपूर्ण है कि यह शोध पत्र क्या दावा नहीं करता है:

कोई जादू नहीं: वे यह दावा नहीं करते कि वे हर संभव स्थिति को तुरंत हल कर सकते हैं। वे विशेष रूप से उन स्थितियों पर ध्यान केंद्रित करते हैं जहाँ अंतःक्रियाएं "स्थानीय" (पड़ोसी पड़ोसियों को प्रभावित करते हैं) और विरल (sparse) होती हैं। यदि प्रत्येक कण अन्य प्रत्येक कण को एक जटिल, घने तरीके से प्रभावित करता, तो उनकी विधि अभी भी संघर्ष करती।
हर चीज़ के लिए "जीत" नहीं: वे यह नहीं कहते कि उनकी विधि हर मामले में सभी अन्य विधियों से बेहतर है। उदाहरण के लिए, उन्होंने अपने विशिष्ट परीक्षण में 15 आयामों के साथ, एक "पार्टिकल-आधारित बैक-प्रोपैगेशन" विधि (जो एक न्यूरल नेटवर्क को पथ का अनुमान लगाने के लिए प्रशिक्षित करने जैसा है) के साथ तुलना की। उनके विशिष्ट परीक्षण में, उनकी विधि कण विधि की तुलना में बादल के आकार की भविष्यवाणी करने में तेज़ और अधिक सटीक थी। लेकिन वे इसे एक सार्वभौमिक नियम के रूप में नहीं, बल्कि एक विशिष्ट प्रयोगात्मक परिणाम के रूप में प्रस्तुत करते हैं।
कोई "भविष्य" गारंटी नहीं: वे यह दावा नहीं करते कि इससे तुरंत बीमारियों का इलाज होगा या नए इंजन बनेंगे। वे स्पष्ट रूप से कहते हैं कि इसे नियंत्रित गतिकी (controlled dynamics) के व्यापक वर्गों तक विस्तारित करना एक "दिशा है जो अभी भी खुली है।" वे नींव रख रहे हैं, इमारत पूरी नहीं कर रहे हैं।

संख्याएँ और प्रमाण

प्रयोग: उन्होंने 50 आयामों तक के सिमुलेशन चलाए।
समय के चरण (Time Steps): उन्होंने गौसियन परीक्षणों के लिए 10 टाइम स्टेप्स और गिंजबर्ग-लैंडौ (Ginzburg–Landau) परीक्षणों के लिए 5 टाइम स्टेप्स वाले ग्रिड का उपयोग किया।
आइसिंग मॉडल: उन्होंने 1D श्रृंखला के 30 स्पिन्स और 2D ग्रिड के 4x4 (16 स्पिन्स) का परीक्षण किया।
गति: एक परीक्षण में, उनकी विधि ने लगभग 99.55 सेकंड (स्थिर संदर्भ के लिए) और 539.09 सेकंड (डायनेमिक संस्करण के लिए) में समस्या को हल किया, जो उनके द्वारा तुलना की गई पार्टिकल-आधारित ट्रेनिंग विधि की तुलना में काफी तेज़ था।

निचोड़ (The Bottom Line)

लेखकों ने नए उपकरण विकसित किए हैं जो हमें "आयाम के अभिशाप" से बचने में मदद करते हैं, क्योंकि वे सब कुछ ट्रैक करने के असंभव कार्य को छोड़कर केवल स्थानीय पड़ोस पर ध्यान केंद्रित करते हैं। उन्होंने सिद्ध किया कि कुछ भौतिक समस्याओं के लिए, यह शॉर्टकट बिल्कुल सही उत्तर देता है। अन्य जटिल समस्याओं (जैसे चुंबकीय स्पिन) के लिए, यह एक बहुत अच्छा लोअर बाउंड और एक कामकाजी मॉडल को पुनर्गठित करने का तरीका देता है जो व्यवहार की नकल करता है।

उन्होंने पूरे ब्रह्मांड को हल नहीं किया, लेकिन उन्होंने एक बहुत ही स्मार्ट तरीका खोजा जिससे वे एक ग्रह जितने बड़े सुपरकंप्यूटर की आवश्यकता के बिना इसके एक बहुत बड़े हिस्से को हल कर सकते हैं।

तकनीकी सारांश: मार्कोव प्रक्रियाओं के अनुकूलन के लिए उत्तलीय विश्राम (Convex Relaxations)

समस्या विवरण
यह शोध पत्र एक ऐसी मार्कोव प्रक्रिया को अनुकूलित करने की समस्या को संबोधित करता है जो दो पूर्व-निर्धारित संभाव्यता वितरणों, $\mu$ और $\nu$ , के बीच एक अवस्था स्थान $\Omega$ पर मध्यवर्ती (interpolate) करती है और एक संचयी लागत को न्यूनतम करती है। यह प्रक्रिया मध्यवर्ती नियमों (laws) की एक अनुक्रमिक श्रृंखला $\{\rho_s\}_{s=0}^T$ और मार्कोव संक्रमण कर्नेल (transition kernels) $\{K_s\}_{s=0}^{T-1}$ द्वारा परिभाषित है। उद्देश्य एक-चरणीय लागतों के योग को न्यूनतम करना है:
$\inf \sum_{s=0}^{T-1} \int_{\Omega} \int_{\Omega} c_s(x, y) K_s(x, dy) d\rho_s(x)$
प्रारंभिक और अंतिम बाधाओं ( $\rho_0 = \mu, \rho_T = \nu$ ) और मार्कोव विकास बाधा ( $\rho_{s+1} = (K_s)_* \rho_s$ ) के अधीन।

मुख्य कम्प्यूटेशनल चुनौती आयाम का अभिशाप (curse of dimensionality) है। उच्च-आयामी अवस्था स्थानों में, क्रमिक अवस्थाओं के पूर्ण संयुक्त वितरण (coupling $\pi_s$ ) का प्रतिनिधित्व करना अव्यवहार्य है। यह शोध पत्र उन सेटिंग्स पर ध्यान केंद्रित करता है जहाँ स्वीकार्य संक्रमण कर्नेल विशिष्ट बाधाओं (जैसे, सपोर्ट बाधाएं, स्थानीय अपडेट नियम) का पालन करते हैं और जहाँ लागत फलन एक स्थानीय अपघटन (local decomposition) को स्वीकार करता है।

कार्यप्रणाली
लेखक अनुक्रमिक-कपलिंग (sequential-coupling) सूत्रीकरण और उत्तलीय विश्राम (convex relaxations) पर आधारित एक रूपरेखा प्रस्तावित करते हैं जो स्थानीयता और विरल अंतःक्रिया संरचनाओं (sparse interaction structures) का लाभ उठाते हैं।

अनुक्रमिक-कपलिंग पुनर्गठन (Sequential-Coupling Reformulation):
समस्या को संक्रमण कर्नेल के अनुकूलन से बदलकर क्रमिक संयुक्त कपलिंग $\pi_s(dx, dy) = \rho_s(dx)K_s(x, dy)$ के अनुकूलन में पुनर्गठित किया जाता है। बाधाओं को इन कपलिंग्स के मार्जिनल्स (marginals) के संदर्भ में फिर से लिखा जाता है। मध्यवर्ती वितरणों को कपलिंग्स में समाहित कर दिया जाता है, जहाँ $\rho_{s+1}$ $\pi_s$ का दायां मार्जिनल और $\pi_{s+1}$ का बायां मार्जिनल है।
उत्तलीय विश्राम (Convex Relaxations):
पूर्ण कपलिंग $\pi_s$ का प्रतिनिधित्व करने से बचने के लिए, लेखक दो प्रकार के उत्तलीय विश्राम विकसित करते हैं जो केवल निम्न-क्रम की स्थानीय जानकारी रखते हैं:
- मार्जिनल विश्राम (Marginal Relaxation): पूर्ण कपलिंग को एक क्लस्टर ग्राफ $\mathcal{G} = (\mathcal{C}, \mathcal{E})$ $G = (C, E)$ द्वारा परिभाषित समन्वय क्लस्टरों $\mathcal{C}$ $C$ और क्लस्टर युग्मों पर इसके स्थानीय मार्जिनल्स द्वारा प्रतिस्थापित किया जाता है। यह विश्राम लागू करता है:
  - क्लस्टर और क्लस्टर-युग्म मार्जिनल्स के बीच निरंतरता।
  - समय चरणों के बीच द्रव्यमान संरक्षण (रिटेन किए गए क्लस्टर युग्मों पर प्रक्षेपित)।
  - स्थानीय धनात्मकता और वैश्विक धनात्मकता बाधाएं (बाद वाली यह सुनिश्चित करती है कि स्थानीय मार्जिनल्स को एक वैश्विक गैर-ऋणात्मक माप में विस्तारित किया जा सके, जो अक्सर एक मोमेंट-जैसे मैट्रिक्स पर पॉजिटिव सेमीडेफिनिट (PSD) बाधा के माध्यम से होता है)।
  - स्थानीय मार्जिनल्स पर प्रक्षेपित स्वीकार्यता बाधाएं।
- क्लस्टर मोमेंट विश्राम (Cluster Moment Relaxation): पूर्ण मार्जिनल्स के बजाय, विधि क्लस्टरों पर निर्धारित आधार फलनों (जैसे, मोनोमियल्स) के विरुद्ध मोमेंट्स के एक परिमित सेट का उपयोग करती है। यह निरंतर अवस्था स्थानों के लिए उपयुक्त है। निर्णय चर मोमेंट मैट्रिसेस (moment matrices) हैं। बाधाओं में मोमेंट निरंतरता, द्रव्यमान संरक्षण और वैश्विक धनात्मकता (एकत्रित मोमेंट मैट्रिसेस पर PSD बाधाएं) शामिल हैं।
  दोनों रूपरेखाएँ मूल समस्या के लिए गणना योग्य निचली सीमाएँ (lower bounds) प्रदान करती हैं और मध्यवर्ती वितरणों के निम्न-क्रम सांख्यिकी को पुनः प्राप्त करती हैं।
गतिशीलता की प्राप्ति (Recovery of Dynamics):
- डायनेमिक ऑप्टिमल ट्रांसपोर्ट (बेनामू-ब्रिएर): जब अवस्था स्थान उत्तल (convex) होता है, लागत गतिज ( $\|x-y\|^2$ ) होती है, और कोई कर्नेल बाधा नहीं होती है, तो यह बेनामू-ब्रिएर जियोडेसिक (geodesic) को पुनः प्राप्त करता है। लेखक दिखाते हैं कि विश्रांत समस्या के द्वैत चर (dual variables) बेनामू-ब्रिएर के द्वैत विभव (dual potentials) का अनुमान लगाते हैं। इन विभवों का अवकलन करके, एक अनुमानित वेग क्षेत्र (velocity field) प्राप्त किया जा सकता है, जो एक प्रवाह (flow) और एक संगत मार्कोव कर्नेल को प्रेरित करता है।
- सामान्य बाधित प्रक्रियाएं (General Constrained Processes): सामान्य बाधाओं के लिए (जैसे, आइसिंग मॉडल में सिंगल-स्पिन अपडेट), विधि एक पैरामीट्रिक परिवार के कर्नेल (जैसे, ग्लौबर डायनेमिक्स) को रिकवर किए गए स्थानीय सांख्यिकी में फिट करती है। यह अनुमानित अगले-चरण के मार्जिनल्स (पैरामीट्रिक कर्नेल के माध्यम से) और रिकवर किए गए मार्जिनल्स के बीच वर्ग त्रुटि को न्यूनतम करके किया जाता है।

प्रमुख योगदान

सूत्रीकरण: शोध पत्र मार्कोव प्रक्रिया अनुकूलन को अनुक्रमिक-कपलिंग सूत्रीकरण में पुनर्गठित करता है और एक उत्तलीय विश्राम रूपरेखा प्रस्तावित करता है जो पूर्ण संयुक्त वितरण के बजाय विरल स्थानीय जानकारी (मार्जिनल्स या मोमेंट्स) का उपयोग करके उच्च आयामों तक स्केल करती है।
डायनेमिक ऑप्टिकल ट्रांसपोर्ट कनेक्शन: यह दर्शाता है कि डायनेमिक ऑप्टिमल ट्रांसपोर्ट इस रूपरेखा का एक विशेष मामला है। महत्वपूर्ण रूप से, यह विश्रांत समाधान से द्वैत विभवों से अंडरलाइंग बेनामू-ब्रिएर वेग क्षेत्र को पुनः प्राप्त करने की एक प्रक्रिया प्रदान करता है, जो स्टैटिक ट्रांसपोर्ट और डायनेमिक फ्लो के बीच के अंतर को पाटता है।
प्रतिबंधित डायनेमिक्स का सामान्यीकरण: यह ढांचा अनियंत्रित ट्रांसपोर्ट से आगे बढ़कर कठोर बाधाओं वाले सामान्य मार्कोव प्रक्रियाओं को संभालने के लिए विस्तारित है। लेखक आइसिंग मॉडल्स के बीच परिवहन के लिए ग्लौबर डायनेमिक्स को फिट करके इसे प्रदर्शित करते हैं, जिससे रिकवर किए गए स्थानीय सांख्यिकी को एक कार्यान्वयन योग्य मार्कोव कर्नेल में बदल दिया जाता है।

परिणाम
शोध पत्र दृष्टिकोण को मान्य करने के लिए संख्यात्मक प्रयोग प्रस्तुत करता है:

गौसियन ट्रांसपोर्ट: 50-आयामी गौसियन सेटिंग में, मोमेंट विश्राम मध्यवर्ती माध्य (means), सहप्रसरण (covariances) और एफाइन वेग क्षेत्रों को सटीक रूप से पुनः प्राप्त करता है। विधि को ट्रैजेक्टरी के साथ कोवेरिएंस त्रुटि के मामले में पार्टिकल-आधारित बैक-प्रोपैगेशन विधियों की तुलना में अधिक सटीक और कम्प्यूटेशनल रूप से कुशल दिखाया गया है।
गिन्ज़बर्ग-लैंडौ ट्रांसपोर्ट: विधि 10 आयामों में एक गौसियन वितरण को गैर-गौसियन गिंज़बर्ग-लैंडौ वितरण में सफलतापूर्वक ट्रांसपोर्ट करती है। रिकवर किए गए मोमेंट्स से मैक्सिमम-एन्ट्रॉपी पुनर्निर्माण, स्थानीय और लंबी दूरी के सहसंबंधों सहित वितरण के क्रमिक विरूपण (deformation) को कैप्चर करता है।
आइसिंग मॉडल: दृष्टिकोण फेरोमैग्नेटिक और एंटीफेरोमैग्नेटिक आइसिंग मॉडल (1D और 2D) के बीच बाधित परिवहन को संभालता है। मार्जिनल विश्राम (LP के रूप में हल किया गया) स्थानीय स्पिन मार्जिनल्स को पुनः प्राप्त करता है, जिनका उपयोग समय-असंगत ग्लौबर डायनेमिक्स को फिट करने के लिए किया जाता है। फिट किए गए डायनेमिक्स रिकवर किए गए मार्जिनल्स को सफलतापूर्वक दोहराते हैं और वैध सैंपल ट्रैजेक्टरीज उत्पन्न करते हैं।

महत्व और दावे
शोध पत्र दावा करता है कि इसकी रूपरेखा पूर्ण अवस्था प्रतिनिधित्व की घातीय लागत से बचकर उच्च-आयामी मार्कोव प्रक्रिया अनुकूलन के लिए एक व्यवहार्य विकल्प प्रदान करती है। यह प्रदान करता है:

गणना योग्य निचली सीमाएं (Computable Lower Bounds): विश्राम अनुकूल लागत के लिए कठोर निचली सीमाएं प्रदान करते हैं।
रिकवर करने योग्य सांख्यिकी: विधि मध्यवर्ती नियमों के निम्न-क्रम सांख्यिकी (माध्य, सहप्रसरण, मोमेंट्स) को पुनः प्राप्त करती है।
डायनेमिक पुनर्निर्माण: स्टैटिक ट्रांसपोर्ट विधियों के विपरीत, यह रूपरेखा विश्रांत समाधान से अंडरलाइंग डायनेमिक्स (वेग क्षेत्र या संक्रमण कर्नेल) के पुनर्निर्माण की अनुमति देती है।
बहुमुखी प्रतिभा: यह डायनेमिक ऑप्टिमल ट्रांसपोर्ट और बाधित स्टोकेस्टिक कंट्रोल (जैसे, ग्लौबर डायनेमिक्स) को एक ही उत्तलीय अनुकूलन छत्र के नीचे एकीकृत करता है, जो डिस्क्रीट और कंटीन्यूअस दोनों अवस्था स्थानों के लिए लागू है।

लेखक विनम्रतापूर्वक नोट करते हैं कि जबकि विधि स्थानीय सांख्यिकी और अनुमानित डायनेमिक्स को पुनः प्राप्त करती है, मध्यवर्ती वितरणों में स्थानीयता का सटीक संरक्षण एक खुला सैद्धांतिक प्रश्न बना हुआ है, और रूपरेखा वर्तमान में विशिष्ट प्रकार के बाधाओं और लागत संरचनाओं तक सीमित है।