近日，第43届国际机器学习大会（Forty-Third International Conference on Machine Learning, ICML2026）公布论文录用结果。深圳北理莫斯科大学工程系2024级本科生王司晨同学作为第一作者、路志鹏老师作为通讯作者完成的研究论文被大会录用。ICML是人工智能领域顶级学术会议，为中国计算机学会（CCF）推荐的A类国际学术会议，每年吸引全球数万名顶尖学者与工业界研究人员参会。本次ICML2026会议的投稿量为23918篇，整体录用率为26%。
王司晨和路志鹏的论文题目为“Depth over Fidelity in Fixed-Budget Noisy Evolution Strategies”，聚焦噪声条件下的黑盒优化问题。在强化学习策略搜索、含噪超参数调优等场景中，算法仅能通过带噪评估访问目标函数，且总评估预算严格受限。传统进化策略需对每一代候选解反复评估以实现可靠排序，会大幅消耗预算并减少优化轮数。论文提出“深度优先于保真度（Depth over Fidelity）”原则，主张接纳排序不确定性，将有限预算用于更长的优化迭代。基于该原则，设计了PEM为核心的算法框架，并配套在线诊断机制保障鲁棒性。
实验表明，该论文在机器学习领域公认的噪声优化标准基准COCO bbob-noisy、强化学习策略搜索、含噪超参数优化等任务上完成系统评测，相对主流基线算法取得超80%综合胜率；优势随问题维度上升显著扩大，与理论预测高度一致。
图注：圆圈大小代表算法最终性能，越大越好。本文方法（Residual Bootstrapping，蓝色）的圆圈最大，且几乎位于“每代评估代价最低、可执行迭代数最高”的角落。
