연구진이 제한된 예산 환경에서 블랙박스 최적화 문제를 해결하기 위해 SPARROW 알고리즘을 제안했어요. SPARROW는 생성적 사전 지식을 보상 신호와 분리하여, 신뢰성 없는 보상 신호와 복잡한 지형에서도 효과적인 최적화가 가능해요. 기존 방법 대비 적은 평가 횟수로도 높은 성능을 달성하며, 수렴 보장과 함께 다양한 문제에서 우수한 성능을 입증했어요.
SPARROW는 평가되지 않은 데이터로 훈련된 샘플러를 활용하여, 알려진 오류 프로세스를 가진 고정된 제안 연산자로 사용해요. 최적화는 평가 후보 아카이브에 대한 순위 기반 안내를 통해 진행돼요. 이를 통해 복잡한 기하학적 구조를 탐색하고, 신뢰할 수 없는 보상 신호를 처리할 수 있어요.
기존 방법은 샘플러를 효과적으로 맞추기 위해 많은 평가가 필요했지만, SPARROW는 생성적 사전 지식과 보상 신호를 분리하여 저예산 환경에서도 실용적인 최적화가 가능하도록 설계됐어요.