📊 statistics

On the Role of Normalization in Binary Iterative Hard Thresholding for 1-bit Compressed Sensing

यह शोध पत्र यह सिद्ध करके एक दशक पुराने खुले प्रश्न को हल करता है कि मूल, गैर-सामान्यीकृत बाइनरी इটারেटिव हार्ड थ्रेशोल्डिंग (BIHT) एल्गोरिदम शोर रहित 1-बिट संपीड़ित सेंसिंग (compressed sensing) में इष्टतम अभिसरण (convergence) प्राप्त करता है, जबकि यह भी प्रदर्शित करता है कि साइन भ्रष्टाचार (sign corruptions) की उपस्थिति में स्थिर अंतिम-इटरेशन अभिसरण सुनिश्चित करने के लिए प्रति-इटरेशन सामान्यीकरण एल्गोरिदम के रूप में आवश्यक हो जाता है।

मूल लेखक: Arya Mazumdar, Prateeti Mukherjee

प्रकाशित 2026-07-20

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Arya Mazumdar, Prateeti Mukherjee

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 शोर भरे कमरे में एक गुप्त संदेश भेजने की कोशिश कर रहे हैं, लेकिन आपको केवल एक शब्द फुसफुसाने की अनुमति है: "हाँ" या "नहीं।" आप यह नहीं बता सकते कि संदेश कितना तेज़ था, या वह कितना लंबा था, या उसका लहजा (tone) क्या था। आप केवल यह बता सकते हैं कि ध्वनि सकारात्मक थी या नकारात्मक। यही "वन-बिट कंप्रेस्ड सेंसिंग" (one-bit compressed sensing) की दुनिया है। इस उच्च-तकनीकी खेल में, वैज्ञानिक केवल "हाँ/नहीं" के जवाबों की एक विशाल सूची का उपयोग करके एक जटिल, छिपी हुई तस्वीर (जैसे कि कोई चेहरा या मेडिकल स्कैन) को पुनर्गठित करने की कोशिश करते हैं। यह एक मूर्ति के आकार का अनुमान लगाने जैसा है कि केवल यह महसूस करके कि उसे चुभाने वाली छड़ी बाईं ओर इशारा कर रही है या दाईं ओर, हजारों बार।

चुनौती यह है कि ये "हाँ/नहीं" के संकेत अक्सर अस्त-व्यस्त होते हैं। कभी हवा चलती है, या कोई छींक देता है, और एक "हाँ" बदलकर "नहीं" हो जाता है। इसे ठीक करने के लिए, शोधकर्ता एक चतुर जासूसी उपकरण का उपयोग करते हैं जिसे बाइनरी इटरेटिव हार्ड थ्रेशोल्डिंग (BIHT) कहा जाता है। BIHT को एक ऐसे हाइकर (हाइकर) के रूप में सोचें जो कोहरे से भरे जंगल में छिपे हुए खजाने (वास्तविक सिग्नल) को खोजने की कोशिश कर रहा है। हाइकर कंपास (डेटा) के आधार पर एक कदम लेता है, यह जाँचता है कि क्या वह सही रास्ते पर है, और फिर अपनी स्थिति को निकटतम ज्ञात मार्ग (एक प्रक्रिया जिसे थ्रेशोल्डिंग कहा जाता है) पर "स्नैप" करता है। वर्षों तक, हाइकरों के बीच एक बहस चल रही थी: क्या उन्हें हर कदम के बाद रुककर अपनी ऊँचाई की जाँच करनी चाहिए और खुद को बिल्कुल एक विशिष्ट ऊँचाई रेखा पर खड़ा होने के लिए मजबूर करना चाहिए (नॉर्मलाइजेशन), या उन्हें बस स्वाभाविक रूप से चलते रहना चाहिए, जिससे उनकी ऊँचाई बदलती रहे?

यह शोध पत्र, आर्या मजूमदार और प्रत्यिती मुखर्जी द्वारा लिखा गया है, उस दशक पुराने विवाद को एक निश्चित मानचित्र के साथ सुलझाता है। वे सिद्ध करते हैं कि एक आदर्श, शांत जंगल (शोर रहित स्थिति) में, हाइकर को अपनी ऊँचाई की जाँच करने के लिए रुकने की आवश्यकता नहीं है। वे बस चलते रह सकते हैं, और वे खजाना उतनी ही तेज़ी और सटीकता से पा लेंगे जितनी तेज़ी से वे तब पाते यदि वे हर बार अपनी ऊँचाई की जाँच कर रहे होते। हालाँकि, कहानी बदल जाती है जब जंगल तूफानी हो जाता है (जब "हाँ/नहीं" के संकेत दूषित होते हैं)। तूफान में, वह हाइकर जो अपनी ऊँचाई की जाँच करने से इनकार करता है, अंततः गोल-गोल घूमने लगेगा, अनंत काल तक इधर-उधर घूमता रहेगा, और कभी भी स्थिर नहीं हो पाएगा। यह शोध पत्र सिद्ध करता है कि इस शोर वाले परिदृश्य में, "अपनी ऊँचाई की जाँच करें" वाला चरण हाइकर को एक अंतहीन लूप में खो जाने से बचाने के लिए अत्यंत आवश्यक है।

बड़ी खोज: ऊँचाई की जाँच कब करें

लेखकों ने एक ऐसे प्रश्न को हल किया जो दस से अधिक वर्षों से वन-बिट कंप्रेस्ड सेंसिंग के क्षेत्र में लटका हुआ था। मूल एल्गोरिदम, जो 2011 में प्रस्तावित किया गया था, सरल और प्रभावी था लेकिन इसमें इस बात का गणितीय प्रमाण नहीं था कि यह हमेशा काम करेगा। बाद में, शोधकर्ताओं ने पाया कि यदि आप एक "नॉर्मलाइजेशन" चरण जोड़ते हैं—जो हर चाल के बाद एल्गोरिदम के "आकार" को ठीक 1 पर रीसेट करने के लिए मजबूर करता है—तो यह सिद्ध करना आसान हो जाता है कि विधि काम करती है। लेकिन क्या वह अतिरिक्त चरण वास्तव में आवश्यक था? या क्या वह केवल एक सुरक्षा कवच था जिसने गणित को आसान बनाया लेकिन प्रक्रिया को धीमा कर दिया?

यह पत्र एक स्पष्ट "यह मौसम पर निर्भर करता है" के साथ इसका उत्तर देता है।

परफेक्ट वर्ल्ड में (शोर रहित सेटिंग)
यदि "हाँ/नहीं" के संकेत पूर्ण हैं और गलती से कोई संकेत बदला नहीं गया है, तो लेखक सिद्ध करते हैं कि BIHT का मूल, "अन-नॉर्मलाइज्ड" संस्करण, फैंसी, नॉर्मलाइज्ड संस्करण जितना ही अच्छा है। वे दिखाते हैं कि संकेतों की एक विशिष्ट संख्या के साथ (जो लगभग सिग्नल की जटिलता और वांछित सटीकता के अनुपात में होती है), एल्गोरिदम सही उत्तर की ओर अग्रसर होगा। यह चरणों की एक सीमित संख्या में खजाना खोज लेता है, और ऐसा करते समय इसे कभी भी रुकने और अपने आकार को ठीक 1 होने के लिए मजबूर करने की आवश्यकता नहीं होती है। वास्तव में, शोध पत्र सिद्ध करता है कि एल्गोरिदम स्वाभाविक रूप से स्वयं सही आकार के करीब रहता है। यह एक बड़ी बात है क्योंकि इसका अर्थ है कि एल्गोरिदम का सरल, तेज़ संस्करण गणितीय रूप से सुदृढ़ है और इसे अनुकूल बनाने के लिए नॉर्मलाइजेशन के अतिरिक्त कम्प्यूटेशनल चरण की आवश्यकता नहीं है।

तूफानी दुनिया में (संकेत भ्रष्टाचार/Sign Corruptions)
हालाँकि, जब डेटा दूषित होता है, तो कहानी में मोड़ आता है। कल्पना कीजिए कि एक शरारती हवा कुछ "हाँ" के संकेतों को "नहीं" में और इसके विपरीत बदल देती है। लेखक सिद्ध करते हैं कि यदि आप इस परिदृश्य में मूल, अन-नॉर्मलाइज्ड एल्गोरिदम का उपयोग करते हैं, तो यह एक दीवार से टकरा जाता है। विशेष रूप से, वे एक सरल, एक-आयामी उदाहरण (समस्या का एक छोटा, सरल संस्करण) बनाते हैं जहाँ एल्गोरिदम एक अनंत लूप में फंस जाता है।

यहाँ यह जाल कैसे काम करता है: यदि एल्गोरिदम थोड़ा सा भी गलत है, तो दूषित संकेत उसे एक दिशा में धकेलते हैं। यदि वह केंद्र रेखा को पार करता है, तो संकेत उसे दूसरी दिशा में धकेलते हैं। अपनी स्थिति को रीसेट करने के लिए "नॉर्मलाइजेशन" चरण के बिना, एल्गोरिदम का "आकार" भटकता रहता है। इसे शून्य रेखा के पार धकेला जाता है, फिर वापस धकेला जाता है, फिर से पार किया जाता है, और यह सिलसिला अनंत काल तक चलता रहता है। लेखक सिद्ध करते हैं कि इस विशिष्ट प्रकार के भ्रष्टाचार के लिए, एल्गोरिदम की दिशा अनंत बार इधर-उधर बदलेगी, जिसका अर्थ है कि यह कभी भी सही उत्तर पर स्थिर नहीं होगा। एल्गोरिदम का "अंतिम चरण" बेकार है क्योंकि यह निरंतर दोलन (oscillating) करता रहता है।

सिल्वर लाइनिंग: जल्दी फर्श तक पहुँचना (Hitting the Floor Early)
क्या इसका मतलब यह है कि तूफानी दुनिया में अन-नॉर्मलाइज्ड एल्गोरिदम बेकार है? पूरी तरह से नहीं। लेखक दिखाते हैं कि हालांकि एल्गोरिदम अंततः दोलन करने लगता है, लेकिन यह तुरंत शुरू नहीं होता है। वास्तव में, यह एक "रोबस्ट एरर फ्लोर" (robust error floor) तक पहुँचता है—एक ऐसा बिंदु जहाँ यह खजाने के बहुत करीब होता है—बहुत तेज़ी से। वे सिद्ध करते हैं कि यदि आप एल्गोरिदम को बिल्कुल सही समय पर रोक देते हैं (एक "हिटिंग टाइम"), तो आप एक ऐसा परिणाम प्राप्त कर सकते हैं जो नॉर्मलाइज्ड संस्करण के समान ही सटीक है। शर्त यह है कि आपको यह जानने के लिए कि कब रुकना है, यह अनुमान होना चाहिए कि तूफान कितना खराब है (भ्रष्टाचार का स्तर)। यदि आप तूफान की तीव्रता नहीं जानते हैं, तो आप बहुत जल्दी या बहुत देर से रुक सकते हैं। लेकिन यदि आपके पास एक मोटा अनुमान है, तो आप सरल एल्गोरिदम चला सकते हैं, एक विशिष्ट क्षण पर रुक सकते हैं, और एक शानदार परिणाम प्राप्त कर सकते हैं।

यह क्यों मायने रखता है

यह शोध पत्र सरल उपकरणों की सीमाओं को समझने का एक उत्कृष्ट उदाहरण है। यह हमें बताता है कि हमें हमेशा अपने समाधानों को अत्यधिक जटिल (over-engineer) बनाने की आवश्यकता नहीं होती है। एक स्वच्छ वातावरण में, सबसे सरल मार्ग अक्सर सबसे अच्छा होता है, और अतिरिक्त प्रतिबंध (जैसे नॉर्मलाइजेशन) अनावश्यक हैं। लेकिन एक अव्यवस्थित, अप्रत्याशित दुनिया में, वे अतिरिक्त प्रतिबंध हमें गोल-गोल घूमने से बचाने के लिए महत्वपूर्ण सुरक्षा रेल (safety rails) बन जाते हैं।

लेखकों ने केवल अनुमान नहीं लगाया; उन्होंने इसे कठोर गणित के साथ सिद्ध किया। उन्होंने दिखाया कि "अन-नॉर्मलाइज्ड" एल्गोरिदम आदर्श स्थितियों में विजेता है लेकिन डेटा दूषित होने पर लंबे समय में हार जाता है। इसके विपरीत, "नॉर्मलाइज्ड" एल्गोरिदम दोनों दुनियाओं में एक विश्वसनीय उत्तरजीवी है। यह अंतर इंजीनियरों और वैज्ञानिकों को यह तय करने में मदद करता है कि उन्हें कब तेज़, सरल विधि का उपयोग करना चाहिए और कब उन्हें यह सुनिश्चित करने के लिए अधिक मजबूत, नॉर्मलाइज्ड संस्करण का उपयोग करना अनिवार्य रूप से करना चाहिए कि उनका डेटा रिकवरी विफल न हो। यह एक दशक की अनिश्चितता को वन-बिट डेटा के धुंधले जंगल में नेविगेट करने के स्पष्ट नियमों में बदल देता है।

तकनीकी सारांश: 1-बिट संकुचित संवेदन (Compressed Sensing) के लिए बाइनरी इटरेटिव हार्ड थ्रेशोल्डिंग में नॉर्मलाइजेशन की भूमिका पर

समस्या विवरण

यह शोध पत्र 1-बिट संकुचित संवेदन (1-bit compressed sensing) की समस्या को संबोधित करता है, जहाँ एक उच्च-आयामी विरल संकेत (sparse signal) $x^\star \in \mathbb{R}^n$ (विशेष रूप से, एक $s$ -स्पार्स यूनिट वेक्टर) को $m$ रैखिक मापों से प्राप्त किया जाता है जो उनके संकेतों (signs) तक क्वांटाइज़ किए जाते हैं: $y = \text{sign}(Ax^\star) \in \{\pm 1\}^m$ । इसका उद्देश्य $x^\star$ की दिशा का अनुमान लगाने के लिए न्यूनतम मापों का उपयोग करते हुए $\ell_2$ त्रुटि $\epsilon$ के भीतर उसका अनुमान लगाना है।

केंद्र बिंदु बाइनरी इटरेटिव हार्ड थ्रेशोल्डिंग (BIHT) है, जो Jacques et al. [Jac+11] द्वारा प्रस्तावित एक ग्रीडी एल्गोरिदम है। मूल BIHT एल्गोरिदम साइन मिसमैच (sign mismatches) के आधार पर ग्रेडिएंट-डिसेन्ट जैसा चरण (step) करता है, और फिर स्पर्सिटी (sparsity) लागू करने के लिए हार्ड थ्रेशोल्डिंग करता है। महत्वपूर्ण रूप से, मूल फॉर्मूलेशन केवल अंतिम आउटपुट पर नॉर्मलाइजेशन लागू करता है, न कि मध्यवर्ती इटरेट्स (intermediate iterates) पर। जबकि एक नॉर्मलाइज्ड वेरिएंट (जो प्रत्येक इटरेट को यूनिट स्फीयर पर प्रोजेक्ट करता है) को इष्टतम सैंपल कॉम्प्लेक्सिटी के साथ अभिसरण (converge) करते हुए दिखाया गया है, मूल, अननॉर्मलाइज्ड BIHT के अभिसरण का प्रश्न एक दशक से अधिक समय तक खुला रहा।

कार्यप्रणाली और तकनीकी दृष्टिकोण

लेखक एक नवीन ज्यामितीय विश्लेषण विकसित करके मूल BIHT के लिए खुले अभिसरण प्रश्न को हल करते हैं, जो प्रति-इटरेट नॉर्मलाइजेशन की आवश्यकता को समाप्त करता है।

1. मूविंग रेफरेंस फ्रेम और पॉपुलेशन ज्योमेट्री

तकनीकी अंतर्दृष्टि का मुख्य केंद्र त्रुटि विश्लेषण के लिए संदर्भ फ्रेम (reference frame) में बदलाव है। नॉर्मलाइज्ड BIHT के पिछले विश्लेषण रिस्ट्रिक्टेड एप्रोक्सिमेट इनवर्टिबिलिटी कंडीशन (RAIC) पर निर्भर थे, जो यह गारंटी देता है कि एम्पिरिकल साइन करेक्शन यूनिट वेक्टर्स के लिए वास्तविक दिशा अंतर का अनुमान लगाता है। लेखक तर्क देते हैं कि RAIC को नॉन-यूनिट वेक्टर्स तक विस्तारित करना असंभव है क्योंकि साइन माप सकारात्मक स्केलिंग के प्रति अपरिवर्तनीय (invariant) हैं; इस प्रकार, मापों में सिग्नल के परिमाण (magnitude) के बारे में कोई जानकारी नहीं होती है।

इटरेट्स को यूनिट स्फीयर पर मजबूर करने के बजाय, लेखक एक मूविंग रेफरेंस $r^{(t)}x^\star$ के सापेक्ष एल्गोरिदम का विश्लेषण करते हैं, जहाँ $r^{(t)} = \|x^{(t)}\|_2$ वर्तमान इटरेट का नॉर्म है।

पॉपुलेशन डायनेमिक्स: अनंत मापों की जनसंख्या सीमा (population limit) में, एक नॉन-यूनिट वेक्टर $z = ru $(जहाँ$ u $एक दिशा है) के लिए अपडेट$ z + \mathbb{E}[\text{correction}] = r x^\star + (r-1)(u - x^\star)$ के रूप में दिखाया गया है।
त्रुटि अपघटन (Error Decomposition): त्रुटि को एक दिशात्मक घटक ( $u - x^\star$ ) और एक रेडियल घटक ( $(r-1)(u - x^\star)$ ) में विभाजित किया गया है। लेखक सिद्ध करते हैं कि जब तक नॉर्म $r^{(t)}$ 1 के आसपास एक स्थिर विंडो के भीतर रहता है, रेडियल त्रुटि दिशात्मक त्रुटि द्वारा नियंत्रित होती है।
इंडक्टिव कपलिंग: प्रमाण एक कपल्ड इंडक्शन का उपयोग करता है जो यह दिखाता है कि दिशात्मक त्रुटि ज्यामितीय रूप से संकुचित (contracts) होती है जबकि नॉर्म एक ही चरण की त्रुटि के परिमाण से अधिक विचलित (drift) होता है। यह सुनिश्चित करता है कि इटरेट्स एक ऐसे "बेसिन" के भीतर रहें जहाँ विश्लेषण लागू होता है, बिना किसी स्पष्ट प्रोजेक्शन की आवश्यकता के।

2. RAIC के माध्यम से परिमित-नमूना विश्लेषण (Finite-Sample Analysis)

पॉपुलेशन डायनेमिक्स से परिमित नमूनों (finite samples) में संक्रमण करने के लिए, लेखक गाऊसी मैट्रिसेस (Gaussian matrices) के लिए RAIC का उपयोग करते हैं। वे प्रदर्शित करते हैं कि एम्पिरिकल करेक्शन टर्म स्पार्स दिशाओं पर उसके अपेक्षा (expectation) की तरह समान रूप से व्यवहार करता है। वर्तमान इटरेट और लक्ष्य के सपोर्ट (support) तक विश्लेषण को सीमित करके, वे $(x^\star, u^{(t)})$ के यूनिट वेक्टर्स के जोड़े के लिए RAIC लागू करते हैं, जो प्रभावी रूप से नॉर्म को तुलना बिंदु (comparison point) में समाहित कर देता है न कि संभावabilistic बाउंड में।

3. एडवर्सरियल करप्शन विश्लेषण

एडवर्सरियल साइन करप्शन (जहाँ $\tau$ अंश तक साइन फ्लिप होते हैं) वाले सेटिंग के लिए, लेखक एक स्केलर लोअर-बाउंड कंस्ट्रक्शन ( $n=s=1$ ) का उपयोग करके यह प्रदर्शित करते हैं कि अननॉर्मलाइज्ड ट्रैजेक्टरी एक फिक्स्ड पॉइंट पर अभिसरण नहीं कर सकती है। इसके बजाय, यह अनिश्चित काल तक दोलन (oscillate) करती है। हालाँकि, वे सिद्ध करते हैं कि ट्रैजेक्टरी दोलनों के हावी होने से पहले एक प्रारंभिक "हिटिंग टाइम" (hitting time) पर एक रोबस्ट एरर फ्लोर तक पहुँच जाती है।

मुख्य परिणाम

1. नॉइलेस कन्वर्जेंस (Theorem 1.1 / 4.1)

यह शोध पत्र नॉइलेस सेटिंग में मूल, अननॉर्मलाइज्ड BIHT के लिए एक यूनिवर्सल, सैंपल-ऑप्टिमल कन्वर्जेंस प्रमेय सिद्ध करता है।

सैंपल कॉम्प्लेक्सिटी: $m = \tilde{O}(s/\epsilon)$ गाऊसी मापों के साथ, एल्गोरिदम एक $\epsilon$ -सटीक अनुमान तक अभिसरित होता है।
अभिसरण: दिशात्मक त्रुटि $\| \frac{x^{(T)}}{\|x^{(T)}\|} - x^\star \|_2 \le \epsilon$ को $T = O(\log(1/\epsilon))$ इटरेशन में प्राप्त किया जाता है।
महत्व: यह नॉर्मलाइज्ड वेरिएंट के इष्टतम सैंपल डिपेंडेंस से मेल खाता है। यह स्थापित करता है कि प्रति-इटरेट नॉर्मलाइजेशन नॉइलेस रिजीम में इष्टतम रिकवरी के लिए एल्गोरिदमिक रूप से अनावश्यक है।

2. करप्शन के तहत लास्ट-इटरेट कन्वर्जेंस की असंभवता (Theorem 1.2 / 4.2)

एडवर्सरियल साइन करप्शन के तहत, लेखक लास्ट-इटरेट कन्वर्जेंस के संबंध में नॉर्मलाइज्ड और अननॉर्मलाइज्ड BIHT के बीच एक स्पष्ट अलगाव सिद्ध करते हैं।

दोलन (Oscillation): एक एकल फ्लिप किए गए साइन के साथ भी, अननॉर्मलाइज्ड इटरेट्स अनंत बार साइन बदलते रहते हैं। दिशात्मक त्रुटि अनंत बार अपने अधिकतम मान ( $\approx 2$ ) पर वापस आती है।
विपरीत स्थिति: नॉर्मलाइज्ड वेरिएंट इस दोलन से बचता है और उच्च प्रायिकता के साथ सही साइन तक अभिसरित होता है।
निष्कर्ष: एडवर्सरियल करप्शन के तहत अननॉर्मलाइज्ड BIHT के लिए कोई सामान्य लास्ट-इटरेट कन्वर्जेंस प्रमेय लागू नहीं हो सकता।

3. अर्ली हिटिंग-टाइम गारंटी (Theorem 1.3 / 4.3)

लास्ट-इटरेट कन्वर्जेंस की कमी के बावजूद, अननॉर्मलाइज्ड BIHT एक प्रारंभिक इटरेट पर इष्टतम रोबस्ट एरर फ्लोर प्राप्त करता है।

रोबस्ट एरर फ्लोर: एल्गोरिदम $O(\log(1/\gamma))$ इटरेशन के भीतर $\gamma(\epsilon, \tau) \approx \epsilon + \sqrt{\epsilon\tau} + \tau\sqrt{\log(1/\tau)}$ की त्रुटि तक पहुँच जाता है।
स्थिरता: यदि भ्रष्टाचार दर $\tau_0$ का ऊपरी बाउंड ज्ञात है, तो एल्गोरिदम को इस सटीकता की गारंटी देने के लिए एक नियत समय $T_0$ पर रोका जा सकता है। इसके अलावा, समाधान $\Omega(1/ \gamma)$ इटरेशन की विंडो के लिए इस त्रुटि सीमा के भीतर स्थिर रहता है।

महत्व और दावे

यह शोध पत्र मूल BIHT एल्गोरिदम के अभिसरण के संबंध में एक दशक पुराने खुले प्रश्न को हल करने का दावा करता है। इसके प्राथमिक योगदान हैं:

नॉर्मलाइजेशन की आवश्यकता: यह सटीक रूप से वर्णन करता है कि नॉर्मलाइजेशन कब आवश्यक है। लेखक निष्कर्ष निकालते हैं कि नॉइलेस रिजीम में, इष्टतम रिकवरी के लिए नॉर्मलाइजेशन कभी भी आवश्यक नहीं है। हालांकि, करप्शन की उपस्थिति में, दोलन को रोकने और लास्ट-इटरेट कन्वर्जेंस सुनिश्चित करने के लिए नॉर्मलाइजेशन आवश्यक है।
अनुभवजन्य अवलोकनों के लिए सैद्धांतिक औचित्य: परिणाम पिछले कार्यों (जैसे, [MM25]) में देखे गए अनुभवजन्य घटनाओं की व्याख्या करते हैं, जहाँ अननॉर्मलाइज्ड BIHT एरर कर्व्स एक रोबस्ट फ्लोर तक गिरते हैं और फिर दोलन करते हैं। सिद्धांत दोनों के लिए गणितीय आधार प्रदान करता है: प्रारंभिक गिरावट (Theorem 4.3) और उसके बाद का दोलन (Theorem 4.2)।
इष्टतमता: यह शोध पत्र स्थापित करता है कि सरल, अननॉर्मलाइज्ड BIHT नॉइलेस रिकवरी के लिए सैंपल-ऑप्टिमल ( $\tilde{O}(s/\epsilon)$ ) है, जिससे अधिक जटिल नॉर्मलाइज्ड वेरिएंट की आवश्यकता समाप्त हो जाती है।

लेखक एक विनम्र रुख बनाए रखते हैं, यह नोट करते हुए कि उनका विश्लेषण गाऊसी मेजरमेंट मॉडल और साइन मेजरमेंट्स की विशिष्ट ज्यामिति पर अत्यधिक निर्भर है। वे स्वीकार करते हैं कि इन गारंटियों को सब-गाऊसी एन्सेम्बल या अन्य स्ट्रक्चर्ड मैट्रिसेस तक विस्तारित करना भविष्य के कार्य के लिए एक खुला विषय है।