🔢 mathematics

Non-Negative Conjugate Gradients

यह शोध पत्र एक गैर-ऋणात्मक संयुग्मी प्रवणता (non-negative conjugate gradient) सॉल्वर प्रस्तुत करता है जो बाउंड-प्रतिबंधित द्विघातीय प्रोग्रामों (bound-constrained quadratic programs) के अद्वितीय वैश्विक न्यूनतमीकरक (unique global minimizer) तक कुशलतापूर्वक और परिमित रूप से अभिसरण करने के लिए प्रिमल-डुअल सक्रिय-सेट लूप को मैट्रिक्स-मुक्त आंतरिक समाधानों के साथ जोड़ता है, जो लॉसन-हैनसन (Lawson-Hanson) और इंटीरियर-पॉइंट सॉल्वर जैसी मौजूदा विधियों की तुलना में काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Thomas Schmelzer, Martin Stoll

प्रकाशित 2026-07-27

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Thomas Schmelzer, Martin Stoll

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, पहाड़ी घास के मैदान में तंबू लगाने के लिए एकदम सही जगह खोजने की कोशिश कर रहे हैं। आप जितना संभव हो सके उतना निचला बिंदु चाहते हैं क्योंकि वहीं पानी नहीं जमा होगा, लेकिन एक पेंच है: आप अपना तंबू केवल सूखी जमीन पर ही लगा सकते हैं। यदि आप दलदल (एक "ऋणात्मक" स्थान) में तंबू का खूंटा गाड़ने की कोशिश करते हैं, तो वह धंस जाएगा और विफल हो जाएगा। यह गणित में एक क्लासिक समस्या है जिसे 'ऑप्टिमाइज़ेशन' (इष्टतमीकरण) कहा जाता है: सर्वोत्तम समाधान खोजना जबकि सख्त नियमों का पालन किया जाए।

द दशकों से, गणितज्ञों के पास एक बहुत ही तेज़ उपकरण रहा है जिसे 'कंजुगेट ग्रेडिएंट' (CG) विधि कहा जाता है। CG को एक बहुत ही स्मार्ट, ऊर्जावान हाइकर (हाइकर) के रूप में सोचें जो एक चिकने, कटोरे के आकार वाली ढलान से नीचे की ओर तेजी से दौड़ सकता है ताकि रिकॉर्ड समय में सबसे निचले बिंदु तक पहुँच सके। हालाँकि, इस हाइकर की एक अंध बिंदु (blind spot) है: उसे यह नहीं पता कि दलदल के किनारे पर कैसे रुकना है। यदि सबसे निचला बिंदु कीचड़ में है, तो हाइकर बिना किसी नियम की परवाह किए सीधे कीचड़ में दौड़ पड़ेगा, यह भूलकर कि नियम कहता है "सूखी जमीन पर रहें।" लंबे समय तक, इन "सूखी जमीन पर रहने" वाली समस्याओं को हल करने के लिए धीमी, अधिक सतर्क विधियों की आवश्यकता होती थी, जिसमें काम पूरा करने के लिए बहुत अधिक कदम उठाने पड़ते थे।

यह शोध पत्र एक नया तरीका पेश करता है जिससे ऊर्जावान हाइकर की गति और सूखी जमीन पर रहने के लिए आवश्यक सावधानी को जोड़ा जा सकता है। लेखक, थॉमस श्मेलज़र और मार्टिन स्टोल ने एक "गार्जियन" (संरक्षक) प्रणाली बनाई है जो इस तेज़ हाइकर के चारों ओर लिपटी हुई है। यह गार्जियन हाइकर की हर हरकत पर नज़र रखता है। यदि हाइकर दलदल (एक ऋणात्मक संख्या) में कदम रखने की कोशिश करता है, तो गार्जियन उसे धीरे से लेकिन मजबूती से वापस किनारे पर धकेल देता है। यदि हाइकर सूखी जमीन पर खड़ा है लेकिन वह एक नए घास के टुकड़े पर कदम रखकर और भी नीचे जा सकता है, तो गार्जियन उसे जाने देता है। परिणाम यह है कि यह विधि मूल हाइकर की अविश्वसनीय गति को बनाए रखती है और यह गारंटी देती है कि तंबू कभी भी दलदल में नहीं जाएगा।

स्मार्ट हाइकर और दलदली नियम

गणित की दुनिया में, समीकरणों के एक सिस्टम को हल करना एक घाटी के निचले हिस्से को खोजने जैसा है। "कंजुगेट ग्रेडिएंट" विधि इसे करने के लिए प्रसिद्ध है, विशेष रूप से तब जब घाटी एक आदर्श कटोरे (गणितीय रूप से, एक "सिमेट्रिक पॉजिटिव डेफिनिट" सिस्टम) के आकार की हो। यह बड़े, गणना किए गए कदमों को लेकर काम करता है जो पीछे मुड़ने से बचते हैं, और घाटी की ढलान के वर्गमूल के चरणों में समाधान की ओर तेज़ी से बढ़ता है।

हालाँकि, वास्तविक दुनिया की समस्याओं के साथ अक्सर नियम आते हैं। वित्त (finance) में, आप नकारात्मक राशि निवेश नहीं कर सकते। इमेज प्रोसेसिंग में, आपके पास नकारात्मक प्रकाश नहीं हो सकता। ये "गैर-ऋणात्मक" (non-negative) बाधाएं हैं। मानक तेज़ हाइकर इन नियमों की परवाह नहीं करता; वह बस सबसे निचले बिंदु को चाहता है, भले ही वह बिंदु एक ऋणात्मक संख्या हो। इसे ठीक करने के लिए, वैज्ञानिक आमतौर पर धीमी विधियों का उपयोग करते हैं जो हर एक कदम पर नियमों की जाँच करती हैं, जिससे उनकी गति कम हो जाती है।

बड़ा सवाल जो यह शोध पत्र उठाता है, वह यह है: क्या हम सुपर-फास्ट हाइकर को बरकरार रखते हुए एक नियम-लागू करने वाला तंत्र जोड़ सकते हैं जो हमें धीमा न करे?

गार्जियन लूप: "फ्री" और "बाउंड" का खेल

लेखकों का समाधान दो अवस्थाओं के बीच एक चतुर नृत्य है: "फ्री" (स्वतंत्र) और "बाउंड" (बद्ध)।

फ्री वेरिएबल्स वे तंबू के खूंटे हैं जो वर्तमान में सूखी जमीन पर हैं, और स्वतंत्र रूप से हिल सकते हैं।
बाउंड वेरिएबल्स वे खूंटे हैं जो दलदल के किनारे (शून्य) पर फंस गए हैं, और ऋणात्मक होने की अनुमति नहीं है।

यह नई विधि, जिसे वे नॉन-नेगेटिव कंजुगेट ग्रेडिएंट्स (NNCG) कहते हैं, 'टैग' (पकड़म-पकड़ाई) के खेल में एक स्मार्ट रेफरी की तरह काम करती है:

द स्प्रिंट (दौड़): रेफरी तेज़ हाइकर को "फ्री" जमीन पर स्वतंत्र रूप से दौड़ने देता है, दलदल को एक पल के लिए अनदेखा करते हुए, ताकि वह उस निचले बिंदु को खोज सके जैसे कि दलदल मौजूद ही न हो।
द चेक (जाँच): एक बार जब हाइकर रुक जाता है, तो रेफरी स्थिति की जाँच करता है।
- यदि एक "फ्री" खंटा गलती से दलदल में लुढ़क गया है (ऋणात्मक हो गया है), तो रेफरी चिल्लाता है, "रुको!" और उस खंटे को वापस किनारे पर खींच लेता है, जिससे वह "बाउंड" बन जाता है।
- यदि एक "बाउंड" खंटा किनारे पर बैठा है लेकिन यदि आप किनारे से हटकर कदम रखते हैं तो ज़मीन थोड़ी सी नीचे की ओर ढलान वाली है, तो रेफरी कहता है, "जाओ!" और उस खंटे को फिर से "फ्री" होने देता है।
द रीस्टार्ट (पुनः प्रारंभ): "फ्री" और "बाउंड" खंटों की सूची को अपडेट करने के बाद, रेफरी हाइकर को नए, छोटे सूखे पैच पर फिर से दौड़ने देता है।

यह प्रक्रिया दोहराई जाती है। शोध पत्र सिद्ध करता है कि यह लूप हमेशा चरणों की एक सीमित संख्या में समाप्त होगा, चाहे परिदृश्य कितना भी जटिल क्यों न हो। यह केवल अनुमान नहीं लगाता; यह गणितीय रूप से गारंटी देता है कि यह पूर्ण समाधान खोज लेगा, भले ही टेरेन (terrain) अजीब या "डिजेनरेट" (जहाँ नियम उलझ जाते हैं) क्यों न हो।

स्पीड बनाम सुरक्षा: यह क्यों मायने रखता है

इस शोध पत्र का जादू यह है कि यह केवल नियम नहीं जोड़ता; यह गति को बनाए रखता है।

पुराना तरीका: कुछ विधियाँ हर कदम पर नियमों की जाँच करती हैं, जैसे एक हाइकर जो हर एक फुट के बाद नक्शा देखने के लिए रुकता है। यह सुरक्षित है लेकिन धीमा है।
इस शोध पत्र का तरीका: हाइकर लंबी छलांगों में दौड़ता है, और केवल तभी रुककर नियमों की जाँच करता है जब आवश्यक हो। लेखक दिखाते हैं कि यह विधि पुराने, नियम-जाँचने वाले तरीकों की तुलना में लगभग कंडीशन नंबर ( $\sqrt{\kappa}$ ) के वर्गमूल जितनी तेज़ है। सरल शब्दों में: यदि समस्या बहुत कठिन है (एक बहुत ही खड़ी या संकीर्ण घाटी), तो यह नई विधि पुरानी विधियों की तुलना में घातांकीय (exponentially) रूप से तेज़ है।

उन्होंने इसे "मैट्रिक्स-फ्री" समस्याओं पर भी परखा। कल्पना कीजिए कि पहाड़ी इतनी विशाल है कि आप उसका नक्शा भी नहीं बना सकते; आप केवल चलते समय अपने पैरों के नीचे की ज़मीन को महसूस कर सकते हैं। पुराने तरीकों को अक्सर पहले पूरा नक्शा बनाने की आवश्यकता होती थी, जिसमें बहुत अधिक मेमोरी लगती थी। यह नई विधि बिना कभी नक्शा बनाए काम करती है, केवल चलते समय ज़मीन को महसूस करती है। यह इसे लाखों वेरिएबल्स वाली समस्याओं को हल करने की अनुमति देता है जो पुराने तरीकों का उपयोग करने वाले कंप्यूटर को क्रैश कर सकते थे।

वास्तविक दुनिया के परीक्षण: पोर्टफोलियो से लेकर फोटोज़ तक

लेखकों ने केवल कागज़ पर गणित नहीं किया; उन्होंने अपने तरीके का वास्तविक दुनिया के परिदृश्यों पर परीक्षण किया:

निवेश (Investing): उन्होंने सर्वश्रेष्ठ निवेश पोर्टफोलियो (इफिशिएंट फ्रंटियर) खोजने के लिए इसका उपयोग किया जहाँ आप शॉर्ट-सेल (नकारात्मक राशि निवेश) नहीं कर सकते। "वार्म स्टार्ट" (पिछले समाधान को अगले के लिए शुरुआत के रूप में उपयोग करना) का उपयोग करके, उन्होंने मानक विधियों की तुलना में 72 गुना तेज़ी से निवेश समस्याओं के एक क्रम को हल किया।
फोटोज़ (Photos): उन्होंने एक धुंधली छवि (image) को साफ़ करने के लिए इसका उपयोग किया। इस मामले में, "ग्राउंड" एक 16,384-पिक्सेल की इमेज थी। विधि ने सफलतापूर्वक धुंधलेपन को हटाया और यह सुनिश्चित किया कि किसी भी पिक्सेल की चमक नकारात्मक न हो, इसे सेकंडों में किया जबकि अन्य विधियों को केवल नक्शा रखने के लिए गीगाबाइट्स मेमोरी की आवश्यकता होती।
"ट्रैप" टेस्ट (द ट्रैप टेस्ट): उन्होंने एक कठिन, प्रतिकूल परिदृश्य बनाया जिसे अन्य विधियों को अनंत लूप में फँसाने के लिए डिज़ाइन किया गया था। उनका तरीका, जो एक विशेष "फालबैक" तंत्र (जैसे सुरक्षा जाल) से लैस था, सफलतापूर्वक लूप से बाहर निकला और हर बार समाधान खोजने में सफल रहा।

निष्कर्ष

यह शोध पत्र उन अनुकूलन (optimization) समस्याओं को हल करने का एक मजबूत, तेज़ और गणितीय रूप से गारंटीकृत तरीका प्रस्तुत करता है जहाँ उत्तर सकारात्मक होना चाहिए। यह प्रसिद्ध कंजुगेट ग्रेडिएंट विधि की गति को लेता है और इसे एक स्मार्ट, सक्रिय-सेट लूप में लपेटता है जो नियमों का सम्मान करता है। यह तब भी काम करता है जब डेटा अव्यवस्थित हो, समस्या विशाल हो, या कंप्यूटर पूरे नक्शे को स्टोर न कर सके। चाहे आप बजट संतुलित कर रहे हों, अपनी धुंधली फोटो को साफ़ कर रहे हों, या जटिल डेटा का विश्लेषण कर रहे हों, यह विधि आपको बिना दलदल में फंसे, जल्दी और सही ढंग से पूर्ण समाधान खोजने का एक तरीका प्रदान करती है।

तकनीकी सारांश: नॉन-नेगेटिव कंजुगेट ग्रेडिएंट्स (Non-Negative Conjugate Gradients)

समस्या विवरण
यह शोध पत्र स्ट्रिक्टली कॉनवेक्स (strictly convex) नॉन-नेगेटिव क्वाड्रेटिक प्रोग्राम (NNQP) को संबोधित करता है:
$\min_{x \in \mathbb{R}^n} f(x) = \frac{1}{2}x^\top A x - b^\top x \quad \text{subject to} \quad x \ge 0,$
जहाँ $A$ एक सिमेट्रिक पॉजिटिव डेफिनिट (SPD) मैट्रिक्स है। लेखक एक इक्वेलिटी-ऑगमेंटेड वेरिएंट (equality-augmented variant) पर भी विचार करते हैं जिसमें रैखिक बाधाएं (linear constraints) $Bx = c$ शामिल हैं। जबकि कंजुगेट ग्रेडिएंट (CG) विधि अनकन्स्ट्रेंड SPD सिस्टम $Ax=b $के लिए मानक सॉल्वर है, यह स्वाभाविक रूप से नॉन-नेगेटिविटी बाधा$ x \ge 0$ का सम्मान नहीं करती है। मौजूदा फिक्सेबल-पॉइंट विधियाँ (जैसे, प्रोजेक्टेड ग्रेडिएंट, MPRGP) अक्सर धीमी अभिसरण दर ( $O(\kappa)$ ) से ग्रस्त होती हैं या बाहरी ऑगमेंटेड-लैग्रेंजियन लूप्स को पेश किए बिना सामान्य समानता बाधाओं (equality constraints) के साथ संघर्ष करती हैं। लक्ष्य CG की $O(\sqrt{\kappa})$ अभिसरण दर या इसकी मैट्रिक्स-फ्री क्षमताओं से समझौता किए बिना इस समस्या को हल करना है।

कार्यप्रणाली (Methodology)
प्रस्तावित विधि, नॉन-नेगेटिव कंजुगेट ग्रेडिएंट्स (NNCG), एक प्राइमल-डुअल एक्टिव-सेट (primal-dual active-set) बाहरी लूप के भीतर CG सॉल्वर को लपेटती है। मुख्य रणनीति इसमें शामिल है:

एक्टिव-सेट रिडक्शन (Active-Set Reduction): एल्गोरिदम उन इंडेक्स का एक "फ्री सेट" $F$ बनाए रखता है जहाँ $x_i > 0$ है। इस सेट पर, बाउंड कंस्ट्रेंट्स निष्क्रिय होते हैं, जिससे समस्या एक अनकन्स्ट्रेंड SPD सिस्टम $A_F x_F = b_F$ (या समानता-ऑगमेंटेड मामले के लिए सैडल-पॉइंट सिस्टम) में बदल जाती है।
मैट्रिक्स-फ्री इनर सॉल्व (Matrix-Free Inner Solve): आंतरिक सिस्टम को CG का उपयोग करके हल किया जाता है। महत्वपूर्ण रूप से, यह विधि मैट्रिक्स-फ्री है: यदि $A = M^\top M$ है, तो ऑपरेटर $v \mapsto A_F v$ को $M_F^\top (M_F v)$ के रूप में कंप्यूट किया जाता है, जिसके लिए केवल $M$ के साथ दो मैट्रिक्स-वेक्टर उत्पादों की आवश्यकता होती है और यह $A$ के $O(n^2)$ स्टोरेज से बचता है।
प्राइमल-डुअल टॉगलिंग (Primal-Dual Toggling):
- प्राइमल स्टेप: कोई भी फ्री वेरिएबल $x_i$ जो नेगेटिव हो जाता है, उसे $F$ से हटा दिया जाता है (इसे 0 पर सेट किया जाता है)।
- डुअल स्टेप: कोई भी बाउंड वेरिएबल $x_i = 0$ जिसका नेगेटिव रिड्यूस्ड ग्रेडिएंट $s_i = (Ax)_i - b_i$ है, उसे $F$ में शामिल किया जाता है।
- ये टॉगल, लीनियर कॉम्प्लिमेंटैरिटी प्रॉब्लम (LCP) $(A, -b)$ के प्रिंसिपल पिवोट्स (principal pivots) के अनुरूप हैं।
टर्मिनेशन स्ट्रैटेजी (Termination Strategy): डिजेनरेसी (degeneracy) के तहत भी सीमित समाप्ति (finite termination) सुनिश्चित करने के लिए, यह विधि एक ब्लाक-प्रिंसिपल-पिवोटिंग पथ (फास्ट बैच एक्सचेंज) का उपयोग करती है जिसे लीस्ट-इंडेक्स ब्लैंड फॉलबैक (सिंगल इंडेक्स एक्सचेंज) द्वारा सुरक्षित किया गया है। यह निर्माण, जो जुडिसे और पाइरेस [21] तथा मूर्ति [25] पर आधारित है, अद्वितीय ग्लोबल मिनिमाइज़र तक अभिसरण की गारंटी देता है।
इनएक्सटनेस (Inexactness) को संभालना: एक प्रमुख सैद्धांतिक योगदान यह सिद्ध करना है कि यदि CG इनर रेसिड्यूल (inner residual), "डिसीजन मार्जिन" (सबसे छोटा गैर-शून्य प्राइमल या डुअल मान जो सटीक प्रक्षेपवक्र में पाया गया था) के सापेक्ष पर्याप्त रूप से छोटा है, तो इनएक्सट (inexact) लूप बिल्कुल वही साइन निर्णय लेता है जो सटीक लूप लेता है। यह मैट्रिक्स-फ्री, इनएक्सट रिजीम में सीमित समाप्ति की गारंटी को स्थानांतरित करता है।
रेगुलराइजेशन और प्रीकंडीशनिंग (Regularization and Preconditioning): एक रिज/टिकोनोव स्प्लिट $A_\alpha = (1-\alpha)A + \alpha R^\top R$ का उपयोग कंडीशन नंबर $\kappa$ को संकुचित करने के लिए किया जाता है और यह सुनिश्चित करने के लिए किया जाता है कि $A_\alpha$ एक P-मैट्रिक्स बना रहे (भले ही मूल $A$ रैंक-डेफिशिएंट हो)। इनर CG सॉल्व को और तेज करने के लिए प्रीकंडिशनिंग (जैसे, जैकोबी, निस्ट्रॉम) लागू की जाती है।

प्रमुख योगदान (Key Contributions)

इनएक्सट सॉल्व्स के लिए सीमित समाप्ति (Finite Termination for Inexact Solves): यह शोध पत्र ब्लॉक-प्रिंसिपल-पिवोटिंग (जो पहले केवल सटीक सॉल्व्स के लिए मान्य था) की सीमित समाप्ति गारंटी को इनएक्सट, मैट्रिक्स-फ्री CG रिजीम तक विस्तारित करता है। लेम्मा 4.1 दर्शाता है कि एक बार जब इनर रेसिड्यूल डिसीजन मार्जिन से जुड़ जाता है, तो अनुमानित लूप सटीक फ्री-सेट प्रक्षेपवक्र का अनुसरण करता है।
इक्वेलिटी कंस्ट्रेंट्स का सीधा प्रबंधन: उन फेज़िबल-पॉइंट मेथड्स के विपरीत जिन्हें सामान्य इक्वेलिटीज $Bx=c$ के लिए बाहरी ऑगमेंटेड-लैग्रेंजियन लूप्स की आवश्यकता होती है, यह विधि शूर कॉम्प्लीमेंट (Schur complement) के माध्यम से मल्टीप्लायर्स को विश्लेषणात्मक रूप से समाप्त कर देती है, जिससे समानता-ऑगमेंटेड समस्या को सीधे एक्टिव-सेट फ्रेमवर्क के भीतर हल किया जा सकता है।
मैट्रिक्स-फ्री दक्षता (Matrix-Free Efficiency): सॉल्वर $A$ को असेंबल किए बिना संचालित होता है, जिसमें केवल $O(n)$ वर्किंग मेमोरी और प्रति बाहरी स्टेप $O(\sqrt{\kappa})$ इनर इटरेशन की आवश्यकता होती है।
वार्म-स्टार्टिंग (Warm-Starting): यह विधि पैरामेट्रिक परिवारों (जैसे, एफिशिएंट फ्रंटियर्स) में वार्म-स्टार्टिंग का समर्थन करती है, जहाँ पिछले स्टेप का फ्री सेट और समाधान प्रारंभिक अनुमान के रूप में कार्य करता है, जिससे सपोर्ट स्थिर होने पर बाहरी इटरेशन काफी कम हो जाते हैं।

परिणाम (Results)

सिंथेटिक प्रदर्शन: प्लांटेड ऑप्टिमा वाले सिंथेटिक SPD समस्याओं पर, एल्गोरिदम अधिकतम 6 बाहरी स्टेप्स में ऑप्टिमम तक पहुँच जाता है। कुल CG इनर इटरेशन काउंट कंडीशन नंबर $\kappa$ के साथ सबलीनियर रूप से बढ़ता है (लॉग-लॉग में ढलान $\approx 0.35$ ), जो $O(\sqrt{\kappa})$ व्यवहार की पुष्टि करता है।
डिजेनरेसी और साइकलिंग (Degeneracy and Cycling): एंटी-कोरिलेटेड डिजाइन्स के एक प्रतिकूल परिवार पर, जिसे अनगार्डेड बैच पिवोट्स में साइकलिंग पैदा करने के लिए डिज़ाइन किया गया था, प्रस्तावित फॉलबैक मैकेनिज्म लूप को सफलतापूर्वक समाप्त करता है, जबकि अनगार्डेड पथ साइकल करता है।
रैंक डेफिशिएंसी (Rank Deficiency): रैंक-डेफिशिएंट रिजीम ( $m < n$ ) में, अनरेगुलराइज्ड सॉल्वर कन्वर्ज होने या ऑप्टिमलिटी को प्रमाणित करने में विफल रहता है। एक छोटा रेगुलराइजेशन पैरामीटर $\alpha > 0$ पेश करने से P-मैट्रिक्स प्रॉपर्टी बहाल हो जाती है, जिससे अभिसरण और KKT सर्टिफिकेशन सुनिश्चित होता है।
बेसलाइन्स के साथ तुलना:
- बनाम प्रोजेक्टेड ग्रेडिएंट: NNCG इल-कंडीशन्ड समस्याओं पर प्रोजेक्टेड ग्रेडिएंट की तुलना में $\sqrt{\kappa}$ के कारक से बेहतर प्रदर्शन करता है।
- बनाम लॉसन-हैनसन और इंटीरियर पॉइंट: घने, असेंबल्ड (assembled) समस्याओं पर, NNCG (एक डायरेक्ट इनर सॉल्व के साथ) लॉसन-हैनसन की तुलना में काफी तेज़ है (उदाहरण के लिए, $n=2000$ पर लॉसन-हैनसन से 48 गुना तेज़), क्योंकि ब्लॉक पिवोटिंग सिंगल-डिजिट बाहरी स्टेप्स में इष्टतम सपोर्ट तक पहुँच जाता है।
- स्केल पर डेंस सॉल्वर्स के साथ: मैट्रिक्स-फ्री डीब्लरिंग अनुप्रयोगों (जहाँ $n=65,536$ है) में, डेंस सॉल्वर्स (Lawson-Hanson, Clarabel) मेमोरी बाधाओं ( $O(n^2)$ स्टोरेज) के कारण विफल हो जाते हैं। NNCG इन्हें $O(n)$ मेमोरी और सेकंडों में हल करता है, जबकि डेंस सॉल्वर्स ऑपरेटर को इंस्टैंशिएट (instantiate) भी नहीं कर पाते।
वास्तविक-विश्व अनुप्रयोग: हाइपरस्पेक्ट्रल अनमिक्सिंग समस्या (Cuprite सीन, $n=498$ सिग्नेचर) पर, विधि वार्म-स्टार्टिंग के माध्यम से कोल्ड-स्टार्टेड रन की तुलना में 672x स्पीडअप प्राप्त करती है और सटीक KKT सर्टिफिकेट प्रदान करती है (सिंगल-मिनरल सपोर्ट की पहचान करती है), जबकि फेज़िबल-पॉइंट मेथड्स थ्रेशोल्डिंग की आवश्यकता वाले अनुमानित समाधान लौटाते हैं।

महत्व और दावे (Significance and Claims)
शोध पत्र दावा करता है कि NNCG नॉन-नेगेटिव क्वाड्रेटिक प्रोग्रामिंग के लिए अनकंडीशनल फाइनाइट टर्मिनेशन गारंटी प्रदान करता है, यहाँ तक कि डिजेनरेसी और इनएक्सट इनर सॉल्व की उपस्थिति में भी। यह क्रायलोव सबस्पेस मेथड्स (CG) की दक्षता और एक्टिव-सेट मेथड्स की कॉम्बिनेटरियल ऑप्टिमैलिटी गारंटियों के बीच के अंतर को पाटता है।

लेखक इस बात पर जोर देते हैं कि यह विधि एप्लीकेशन-एग्नोस्टिक (application-agnostic) है, जो बाहरी लूप की आवश्यकता के बिना दोनों बाउंड कंस्ट्रेंट्स और सामान्य रैखिक इक्वेलिटीज को संभालती है। हालाँकि यह विधि केवल नॉन-नेगेटिव ऑर्थेंट (न कि सामान्य बॉक्स कंस्ट्रेंट्स) को हैंडल करती है, यह फेज़िबल-पॉइंट मेथड्स (जैसे, MPRGP) की तुलना में एक स्पष्ट लाभ प्रदान करती है क्योंकि यह एक सटीक KKT सर्टिफिकेट प्रदान करती है और समानता बाधाओं को नेटिवली हैंडल करती है। यह कार्य स्थापित करता है कि सटीक से इनएक्सट सॉल्व्स तक "डिसीजन-फॉर-डिसीजन" ट्रांसफर संभव है, जिससे प्रिंसिपल पिवोटिंग की मजबूती को मैट्रिक्स-फ्री क्रायलोव सॉल्वर्स की स्केलेबिलिटी के साथ जोड़ा जा सकता है।