L'approche standard pour une classe de problèmes d'apprentissage automatique ressemble à un ressort étiré que l'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 de manière incontrôlée, comme un ressort qui revient à sa forme initiale, empêchant ainsi l'expansion incontrôlée.
Mathématiquement, cela signifie introduire un terme qui supprime la croissance de l'entropie dans la solution. L'algorithme cherche la solution non pas 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 que l'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, bien que la matière de l'étoile elle-même n'atteigne jamais le télescope.
Dans « Fondation » d'Asimov, les psychohistoriens prédisent le destin des civilisations à l'aide de modèles mathématiques — tout comme ici le modèle est reconstruit à partir des données, sans coûts de calcul superflus.