ZoAQ to nowa adaptacyjna metoda optymalizacji zerowego rzędu (ZOO), która rozwiązuje fundamentalny problem tych algorytmów - wysokie koszty ewaluacji funkcji. W tradycyjnym podejściu każdy krok optymalizacji wymaga stałej liczby zapytań, a gdy algorytm chce dynamicznie dostosować tę liczbę, musi wydać dodatkowe zasoby na testowanie wiarygodności estymatorów. ZoAQ eliminuje ten konflikt poprzez kluczową ideę: zamiast wyrzucać rezultaty poprzednich ewaluacji, ponownie je wykorzystuje.
Algorytm działa poprzez sprzęgnięcie ponownego wykorzystania zapytań z adaptacyjną alokacją. Stare wyniki funkcji służą jednocześnie do obliczenia następnej aktualizacji parametrów i do podjęcia decyzji, czy warto wykonać kolejne zapytania. Ta inteligentna strategia umożliwia adaptacyjne dostosowanie budżetu bez konieczności dodatkowych zapytań walidacyjnych. Analiza teoretyczna pokazuje, kiedy ta strategia gwarantuje zejście funkcji celu i prowadzi kontroler do wystarczającego budżetu zapytań.
W praktyce ZoAQ wykazuje imponujące rezultaty. Na syntetycznych funkcjach redukcja zapytań wyniosła 43-48% w stosunku do metod ze stałym budżetem operujących na 1.2 milionach zapytań. W czarnokulturkowych atakach na sieci neuronowe osiąga 100% sukces z zaledwie 320 średniego zapytaniami na MNIST i 625 na CIFAR-10. Podczas fine-tuningu modeli OPT metoda oszczędza 43-46% ewaluacji przednich w porównaniu do stałego K=4, utrzymując dokładność w przedziale od -0.018 do +0.010. To szczególnie ważne dla scenariuszy, gdzie bezpośredni dostęp do gradientów jest niemożliwy lub zbyt drogi, jak optymalizacja modeli wdrożonych przez konkurencję.