分布推定アルゴリズム（Estimation-of-distribution algorithms、EDA）は、目的関数の構造がほとんど分からないブラックボックス最適化において特に強力な進化的手法の一種である。従来の進化的アルゴリズムは、未知の問題構造に対して設計が難しくバイアスの原因にもなる、手設計の突然変異・交叉演算子に依存している。これに対し EDA は演算子の設計を完全に回避する。優れた個体に確率分布を当てはめ、その分布から次世代をサンプリングするのである。EDA は連続パラメータ空間では確立されているが、良質な解のほとんどの係数がちょうどゼロになるスパースな空間へは、これまで一般化されていなかった。
そのため既存のスパースなブラックボックス最適化器は、EDA がまさに避けようとしたものを再導入してしまっている。すなわち、手作りのスパース演算子、サポート集合と活性値の間を交互に切り替える二層スキーム、ゼロ化しきい値、その他の作り込まれた仮定である。Andreas Faust ら 3 名による論文 arXiv:2606.19369 は、まさにこのギャップを埋めることを目指している。本論文は 2026 年 6 月 11 日に投稿され、機械学習（cs.LG）と人工知能（cs.AI）に分類されている。
著者らは解決策として、多変量ゼロ膨張ガウス（zero-inflated Gaussian、ZIG）分布を EDA のサンプリング則として提案する。このモデルは、指標次元と数値次元を別々に持つ潜在ガウスモデルを用いて、スパースパターン、活性パラメータ間の相関、およびその両者の相互作用を表現する。これにより、スパースパターンと活性値を、階層構造や手動のゼロ化しきい値なしに同時に最適化できる。
論文はさらに理論的な結果も示す。関連する構成の起源である欠測データの設定とは異なり、このモデルの潜在パラメータは観測サンプルから識別可能である。これを実際に活用するため、著者らは償却反転ベースの推定量を導入する。実験では、これらの推定量が潜在的な相関構造を正確に回復できることが示されている。
Lunar Lander ベンチマークでの評価では、ZIG-EDA から得られるアルゴリズムは、密なガウス EDA、手設計のスパース進化アルゴリズム、アドホックなスパース EDA よりも速く収束し、より高い最終リターンに到達した。しかも、見つかったコントローラで活性化されているパラメータはごく一部にとどまっている。この結果は、スパース性をサンプリング分布に直接組み込むことが、スパースなブラックボックス最適化の有効な道筋であることを示している。