فقد كانت إحدى أكبر التحديات في مجالات التعلم الآلي هي أخذ عينات من التوزيعات ذات الأبعاد العالية وغير المتموجة، خصوصًا في الحالات التي تكون فيها التدرجات الدقيقة غير متاحة، مما يتطلب استخدام تدرجات عشوائية ذات تباين مرتفع تحت ميزانية ثابتة من عمليات النمذجة في كل تكرار. في الآونة الأخيرة، حققت تقنيات تقليل التباين مثل SGD مع الزخم وSTORM وPAGE تقدمًا ملحوظًا في تحسين خصائص التقارب في الأمثل غير المحدب، ولكن تأثيراتها على أخذ العينات من التوزيعات غير المتموجة لا تزال غير مستكشفة إلى حد كبير.

في هذه الدراسة الرائدة، نقوم بتطوير أول تحليل موحد لهذه التقنيات لأخذ العينات من التوزيعات غير المتموجة. تمكنا من إثبات معدلات تقارب غير متماثلة محسنة في معلومات فيشر النسبية، وكذلك تحت افتراض عدم المساواة بوانكاريه في مسافات التباين التام المربعة. بالإضافة إلى ذلك، أثبتنا تقاربًا ضعيفًا نحو التوزيع المستهدف. وضعنا هذه التحليلات في سياق حل المشكلات العكسية باستخدام نماذج تعتمد على النتيجة.

تجربتنا توضح أن تقنيات تقليل التباين تعمل على تحسين جودة العيّنات بشكل مستمر في مجالات التصوير القياسية، مما يفتح خيارات واسعة لتحسين الأداء في مشكلات التعلم الآلي المتقدمة.