本文从统计学角度展示了样本高效强化学习的条件比传统观点更苛刻，研究结果揭示了好的表示本身不足以实现高效强化学习，除非通过硬性门槛保证近似质量。研究还指出了不同学习方法之间的样本复杂度呈指数倍增长。

本文介绍了在降维回归任务中提高近似质量的方法，通过移除低敏感性数据点。同时提供了计算矩阵相关汇总统计量和近似敏感性的高效算法，并通过实验表明实际数据集的敏感性远小于理论预测，展示了实际数据集的低内在有效维度。