実世界の多くの最適化問題では、カテゴリカル変数（離散的な選択肢）と連続変数が混在しており、特にその相互作用が強い場合に解くことが困難です。本研究は、このような混合カテゴリカル・連続最適化問題をブラックボックス設定で効率的に解くための新しいアプローチを提案しています。 従来のCMA-ES（Covariance Matrix Adaptation Evolution Strategy）をベースとした進化戦略は、混合変数空間への拡張に一定の成果を上げてきました。しかし、これらの手法はカテゴリカル変数と連続変数が独立であると仮定した探索分布を使用しているため、両者の間に強い相互作用が存在する場合にはパフォーマンスが低下してしまいます。 研究チームが提案する二段階最適化フレームワークは、このような相互作用を明示的に捉えるよう設計されています。外側ループではカテゴリカル変数を最適化し、内側ループではそれぞれのカテゴリカル配置に条件付けされた連続変数を最適化する構造です。各段階は情報幾何学的最適化に基づく確率的緩和として定式化されています。 二段階最適化の計算コストが高いという課題に対し、研究者らはウォームスタート戦略を導入しました。これにより、キャッシュされた複数の配置から最良のものを選択して下位レベルの探索を加速し、各イテレーション後にキャッシュを更新することで効率化を実現しています。二値・連続領域での実験結果は、提案手法が既存の最先端アプローチを上回る相互作用処理能力を示しながら、同時に計算効率性も改善していることを示しており、以前報告されたものと新たに提案された相互作用の両方を含むベンチマークで優れたパフォーマンスを実証しています。