Naukowcy opracowali nową metodę, która umożliwia algorytmom estymacji rozkładu (EDA) pracę z rzadkimi przestrzeniami parametrów, gdzie większość współczynników dobrych rozwiązań wynosi dokładnie zero. Do tej pory EDA sprawdzały się głównie w optymalizacji ciągłej, ale brakowało im elastyczności do radzenia sobie z rzadkością w problemach czarnej skrzynki.
Proponowana metoda wykorzystuje multiwariantowe rozkłady zero-inflacyjne Gaussa (ZIG) jako prawo próbkowania. Latentny model Gaussa z oddzielnymi wymiarami indykatorów i wartości reprezentuje jednocześnie wzory rzadkości, korelacje między aktywnymi parametrami i interakcje między nimi. To oznacza, że wzory rzadkości i wartości aktywne są optymalizowane razem, bez potrzeby hierarchicznych schematów, które wcześniej wymagały ręcznego zaprojektowania operatorów sparsyfikacji czy progów zerowania.
Znaczenie tego podejścia polega na tym, że eliminuje ono problemy charakterystyczne dla tradycyjnych algorytmów ewolucyjnych – potrzebę projektowania dostosowanych do problemu operatorów mutacji i krzyżowania. EDA od razu bazują na estymacji rozkładu prawdopodobieństwa najlepszych osobników, a teraz mogą to robić również w przypadkach, gdzie szukane rozwiązania są rzadkie. Naukowcy ponadto wykazali, że parametry latentne tego modelu są identyfikowalne z obserwowanych próbek, co jest znaczącym postępem w stosunku do wcześniejszych podejść opartych na modelach danych brakujących.