우리는 빼지는 볼록 항(subtracted convex term)이 매끄러운 볼록 함수(smooth convex functions)들의 유한한 최댓값(finite maximum)인 비매끄러운 차분 볼록 (Difference-of-Convex, DC) 프로그램을 연구합니다. 이러한 설정에서 표준 DCA 반복은 방향적 정지 상태(directionally stationary)가 아닌 임계점(critical points)으로 수렴할 수 있는 반면, 활성 집합(active sets)이 크거나 조합론적(combinatorial)인 경우 정확한 활성 정점 스크리닝(exact active-vertex screening)은 비용이 많이 들 수 있습니다. 우리는 활성 그래디언트(active gradients)를 샘플링된 방향으로 투영하고, 샘플링된 정점 잔차(vertex residual)를 확인하며, 잔차가 낮은 경우에만 보조 수단으로 작은 선형 계획법(linear program)을 사용하는 정점 우선 무작위 활성 집합 DCA인 RA-DCA를 제안합니다. 이 방법은 DCA의 하강 구조(descent structure)를 유지하며 무작위 스크리닝 계층을 행렬 곱셈(matrix multiplications)으로 축소합니다. 명시된 정규성(regularity), 수치적 활성 집합 일관성(numerical active-set consistency), 그리고 무작위 임베딩(random-embedding) 가정 하에, 보호 장치가 적용된 이 방법(safeguarded method)에 의해 생성된 모든 누적점(accumulation point)은 확률 1로 방향적 정지 상태가 됩니다. MATLAB 실험을 통해 퇴화된 max-affine, max-quadratic 및 희소 지지 함수(sparse support-function) 모델에서 해당 정리를 먼저 테스트하였으며, 여기서 보호 장치는 비정지 임계점(nonstationary critical points)을 방지하고 전체 활성 정점 스캔(full active-vertex scan)을 밀접하게 추적합니다. 이어서 진행된 Block top-k 테스트는 정확한 집합 열거(aggregate enumeration)가 조합론적인 경우에도 동일한 스크리닝 아이디어가 유용하게 유지됨을 보여줍니다. 절단 회귀(Trimmed-regression), 상보성(complementarity), 그리고 QUBO 진단은 활성 집합 선택이 도움이 되는 경우와 멀티스타트 탐색(multistart search), DC 분할(DC split) 또는 기타 문제 특화 기능에 의해 지배되는 경우를 구분합니다.