يقدم المؤلفون K-ABENA، وهو إطار عمل لحساب التدرج الانتقائي يقلل من تكلفة التدريب لكل تكرار عن طريق استبعاد الملاحظات ذات الخسارة المنخفضة من الانتشار العكسي. يجمع شكله المعياري بين أخذ العينات المختلط الدفاعي وإعادة الوزن باحتمالية هورفيتز-ثومبسون العكسية لإنتاج مُقَدِّر تدرج غير متحيز التصميم.
- توفر الطريقة ضمان تقارب غير محدب O(1/sqrt(T)) لـ SGD تحت المُقَدِّر.
- يفشل الاختيار القائم على الخسارة غير المُعَوَّضَة في الوصول إلى النقاط الثابتة عند نقاط التصغير حيث يكون تحيز الاختيار محدودًا بعيدًا عن الصفر.
- على مجموعات البيانات الحقيقية، يوفر المُقَدِّر المُعَوَّض 28-54% من حساب التدرج لكل دورة مع بقاءه غير قابل للتمييز إحصائيًا عن SGD بالدفعة الكاملة.
- ينهار "الوضع المنتظم" المتحيز السابق تحت ضوضاء التصنيف وعدم التوازن الشديد، في حين يحافظ المتغير المُعَوَّض على دقة عالية.
يعتقد المؤلفون أن هذا مهم لأنه يكمم فشل المتغيرات غير المُعَوَّضَة مثل OHEM و SBP، ويقدم بديلاً ذا أساس نظري يحقق وفورات كبيرة في الحوسبة دون التضحية بخصائص التقارب.