본 논문은 립시츠 연속 함수(Lipschitz-continuous function)의 전역 최적화를 위한 확장 가능한 알고리즘인 ECPv2를 제안한다. ECP (Every Call is Precious) 프레임워크를 기반으로 하며, 각 함수 평가가 잠재적으로 유익하도록 보장한다. ECPv2는 높은 계산 비용과 초기의 과도한 보수적 동작과 같은 ECP의 주요 한계를 해결한다. ECPv2는 (i) 무의미한 수용 영역을 피하기 위한 적응형 하한, (ii) 과거 평가의 고정된 크기 하위 집합에 비교를 제한하는 Worst-m 메모리 메커니즘, (iii) 고차원 거리 계산을 가속화하기 위한 고정된 랜덤 투영의 세 가지 혁신을 도입한다. ECPv2는 ECP의 후회 없는 보장을 유지하면서 최적의 유한 시간 경계를 가지며 높은 확률로 수용 영역을 확장함을 이론적으로 보여준다. 또한 광범위한 실험과 제거 연구를 통해 이러한 결과를 경험적으로 검증한다. 원칙적인 하이퍼파라미터 설정을 사용하여, ECPv2를 광범위한 고차원, 비볼록 최적화 문제에 대해 평가한다. 벤치마크 전반에서 ECPv2는 최첨단 최적화기와 일치하거나 능가하며, 런타임을 크게 줄인다.
