即使该过程检查巨大数据集中的每个数据点，因为它每次只处理数据点的小集合，它仍然保持了很高的计算效率。在他们的论文中，研究人员证明，对于涉及一系列通用缩减工具的应用，他们提供的缩减方法提供了对完整数据集非常好的近似结果。
该方法取决于数据的几何解释，涉及称为超球面的概念，它是圆的多维模拟。任何一个多变量数据可以看做是多维空间中的一个点。以同样的方式，数字对(1,1)定义二维空间中的点：在X轴上的点和Y轴上的点——就是维基百科表中的一行，其440万个数字，定义了一个440万个圆的空间上每一个点。
研究人员的缩减算法从找到数据点子集的平均值开始——比如说20个，那就要进行缩减。这也定义了高维空间中的点，称之为初始点。然后将20个数据点中的每一个“投影”到以初始点为中心的超球面上。也就是说，算法在数据点方向上找到超球面上的唯一点。
该算法选择超球面上的20个数据投影之一。然后选择最远离第一个的超球面上的投影。它找到两者之间的中点，然后选择距离中点最远的数据投影;然后它再找到这两点之间的中点，并选择距离它最远的数据投影;如此循环。
研究人员能够证明通过这种方法选择的中点将非常快地收敛在超球面的中心。该方法将快速选择其平均值接近20个初始点的点的子集。这使得它们特别合适核心集中的候选者。