أظهرت نماذج التحليل التوافقي (Tensor factorization) قدرة كبيرة في إكمال الرسوم المعرفية (Knowledge Graph Completion، KGC). ومع ذلك، تتأثر أداؤها عادةً بشكل خطير بمشكلة التخصيص الزائد (overfitting). وقد دفعت هذه المشكلة إلى تطوير العديد من العوامل الت régularization — مثل عامل الت régularization بنorm فروبينيوس المربعة وعامل الت régularization بنورم النواة التنسورية — ولكن تطبيقها المحدود يحد بشكل كبير من استخدامها العملي. ولحل هذه التحديات، نقترح عاملًا ت régularization جديدًا يُسمى "DURA" (Duality-induced RegulArizer)، الذي لا يُعد فعّالًا في تحسين أداء النماذج الحالية فحسب، بل يُطبّق على نطاق واسع على طرق متعددة. تكمن الابتكار الرئيسي في DURA في الملاحظة التي تشير إلى وجود نموذج تحليل تنسوري قائم (أي النموذج الأولي) غالبًا ما يكون مرتبطًا بشكل وثيق بنموذج آخر يعتمد على قياس المسافات (أي النموذج المزدوج). وتشير النتائج التجريبية إلى أن DURA يحقق تحسينات متسقة وملحوظة على مجموعة معايير معيارية.