L'approche standard pour une classe de problèmes d'apprentissage automatique évoque un ressort étiré qu'on oublie de relâcher : les méthodes standard gonflent artificiellement la taille du problème, transformant les calculs en trou noir pour la mémoire et le temps. La nouvelle méthode agit comme une force de rappel : elle ajoute une simple pénalité qui empêche le problème de s'étendre sans contrôle, un peu comme un ressort qui revient à sa forme initiale, empêchant ainsi l'expansion incontrôlée.
Mathématiquement, cela revient à introduire un terme qui supprime la croissance de l'entropie dans la solution. L'algorithme ne cherche pas la solution dans un labyrinthe, mais directement, en utilisant une méthode rapide pour le problème dual — comme le chemin le plus court vers le sommet. Le résultat est reconstruit exactement, sans approximations.
La méthode rappelle la spectroscopie : de même qu'on détermine la composition d'une substance par son spectre, ici on reconstruit le modèle du système à partir des données — sans perte d'information, mais avec une économie record.
La spectroscopie révèle la composition chimique des étoiles lointaines grâce à leur lumière, alors que la matière de l'étoile elle-même n'atteint jamais le télescope.
Dans « Fondation » d'Asimov, les psychohistoriens prédisent le destin des civilisations à l'aide de modèles mathématiques — un peu comme ici le modèle est reconstruit à partir des données, sans coûts de calcul superflus.