ارتباطهای جدیدی بین برخی مارتینگلهایی را که در مطالعه درخت دودویی با مساله دونیم سازی حاصل می شود، ارایه می کنیم در حالتی که بر آنها در یک فضای احتمال یک فرآیند شاخه ای دودویی زمان پیوسته می نگریم.

با توجه به سرعت روزافزون تولید اطلاعات و نیاز تبدیل اطلاعات به دانش، روش های یادگیری ماشین قدیمی دیگر پاسخگو نیستند. هنگام استفاده از طبقه بندی ها با روش های یادگیری ماشین قدیمی، به ویژه استفاده از طبقه بندی های ذاتاً تنبل مانند روش k-نزدیک ترین همسایگی (KNN)، عملیات طبقه بندی داده های حجیم بسیار کند است. نزدیک ترین همسایگی به دلیل سادگی و دقت عملی که ارائه می دهد یک روش محبوب در زمینه طبقه بندی داده ها می باشد. روش پیشنهادی مبتنی بر مرتب سازی بردارهای ویژگی داده های آموزشی در یک درخت جستجوی دودویی است تا طبقه بندی داده های بزرگ را با استفاده از روش نزدیک ترین همسایگی تسریع بخشد. این کار با استفاده از یافتن تقریبی دو دورترین داده محلی در هر گره درخت انجام می شود. این دو داده به عنوان معیار برای تقسیم داده های موجود در گره فعلی بین دو گروه، مورد استفاده قرار می گیرند. مجموعه داده های موجود در هر گره بر اساس شباهت آنها به این دو داده، به فرزند چپ یا راست گره فعلی تخصیص داده می شوند. نتایج آزمایش های متعدد انجام شده بر روی مجموعه داده های مختلف از مخزن UCI، میزان دقت خوب با توجه به زمان اجرای کم روش پیشنهادی را نشان می دهد.