과학 및 공학 분야의 블랙박스 최적화는 전문가, 시뮬레이터, 사전 예측기 등의 부가 정보를 활용할 수 있지만, 이 정보는 편향되거나 오해를 불러일으킬 수 있습니다.
연구진은 관찰된 이력과 저렴한 부가 피드백을 기반으로 테스트 시점에 소스 신뢰도를 추정하여 쿼리 선택을 개선하는 FICBO(Feedback-Informed In-Context Black-Box Optimization) 방법을 제시했습니다.
합성 및 실제 작업에서 FICBO는 유용한 피드백을 효과적으로 활용하면서 취약하거나 오해의 소지가 있는 소스에 강건성을 유지하며 다른 방법보다 성능이 우수합니다.