本論文は、代謝マルチエージェント最適化器（MMAO）が分類モデル選択のための外部ループ最適化器として機能しうるかを検証する研究である。著者らはMMAO-Clsという混合空間の実装を提案している。このアプローチでは、各エージェントが二値特徴マスク（どの特徴を使用するかの選択）と分類器のハイパーパラメータを共同で符号化する。システムの核心は、個々のエージェントが保有するエネルギー、共有予算、役割の変化、およびライフサイクルのターンオーバーといった代謝的な概念を、機械学習モデルの精度と複雑性のトレードオフに対応させることにある。 実装の強化にあたり、著者らは特徴情報の事前分布から特徴予算適応を導出し、バリデーション報酬を部分集合のコンパクト性と訓練・検証間の過学習ギャップで正則化している。7つの標準的な表形式データセット上で3回のシードを用いて評価された結果、MMAO-Clsは集約バリデーション目的関数でGA-liteに次いで2位（0.9433対0.9446）を記録した。 テストセット上での性能評価では平均スコア0.8882を達成し、ランダムサーチ（0.8808）およびGA-lite（0.8857）を上回った。これはPSO-lite（0.8874）と共有なしの消融実験（0.8900）に接近した水準である。特筆すべき点として、MMAO-Clsは比較対象のすべての手法の中で最もコンパクトな平均テスト特徴部分集合（特徴比0.4881）を達成した。ただし、統計的有意性を確認するペアワイズテストの結果、これらの改善マージンはまだ統計的に有意ではない。したがって著者らの主張は保守的であり、MMAO-Clsは共有メカニズムを決定的な独立した利点として分離することよりも、分類適用性とコンパクトな混合空間探索をより明確に支持するものとして位置付けられている。