0차 (Black-box) 최적화는 그래디언트(Gradient)를 사용할 수 없거나 목적 함수 평가가 비용이 많이 드는 시뮬레이션에 의존할 때 적용됩니다. 이러한 많은 응용 분야에서 오라클 충실도(Oracle Fidelity)는 조절 가능합니다. 즉, 더 높은 정확도의 쿼리(Query)는 노이즈를 줄이지만 더 높은 계산 비용을 발생시킵니다. 이러한 트레이드오프(Trade-off)를 포착하기 위해, 우리는 충실도 $δ$를 가진 각 쿼리가 비용 $c(δ)$를 갖는 정확도 인식형 Wall-clock 모델을 연구하며, 목표 정확도 제약 조건 하에서 총 시간 $T_{\mathrm{total}} = \sum_{k=1}^{N} c(δ_k)$를 최소화합니다. 우리는 오라클 유형, 노이즈 모델, 그리고 최적화 기법의 선택이 알고리즘 파라미터에 대해 어떻게 명시적인 Wall-clock 최적 선택을 유도하는지 보여줍니다. 예를 들어, 가속화된 방법(Accelerated methods)이 가속화되지 않은 기법보다 Wall-clock 측면에서 열등할 수 있음을 입증합니다. 나아가, 우리는 Big-O 관점에서 상수 충실도(Constant fidelity) 전략이 최적인 조건을 규명합니다. 우리의 프레임워크는 수렴 보장(Convergence guarantees)을 실질적인 충실도 및 배칭(Batching) 권장 사항으로 변환하는 통합된 방법론을 제공합니다.