ノイズを含む進化戦略（Evolution Strategies）は、最適化問題を解く際に限られた評価予算の中で運用されます。このような状況下では、世代内のランキングをより正確にするために評価を費やすか、それとも最適化プロセス自体の繰り返し回数を増やすかというジレンマが生じます。本研究は、ランキングの精度よりも最適化のステップ数を優先する「深さ重視」のアプローチを提唱しています。 研究チームは、確率的エリート成員資格（PEM）という新しい手法を提案しました。従来の進化戦略では、個体の適応度に基づいて硬く決定されたランク付けに基づいた重み付けが使用されていますが、PEMはランキングの不確実性を統合した条件付き期待ランク重みに置き換えます。この手法により、更新の条件付き平均は保持しながらも、更新の分散を削減することができ、これはノイズを含むランク基準ステップのラオ・ブラックウェル化（統計的な最適化手法）として機能します。 さらに、研究チームはPEMを残差ブートストラップ法（RB-PEM）によって具現化し、世代ごとのオーバーヘッドをキャップすることで実装効率を確保しています。加えて、ノイズが少ない環境向けの適応的なプローブ・アンド・スイッチメカニズムも組み込まれています。COCO bbob-ノイズベンチマークスイートおよび強化学習のポリシー探索やハイパーパラメータ最適化などの外部タスクを通じた評価では、RB-PEMは高いランキング誤りが生じやすく予算が制限される環境で一貫した性能向上を達成しています。