ICMLJun, 2020

随机超体积标量化技术的可证明多目标黑盒优化

PDF
TL;DR本文提出了一种称为 hypervolume scalarization 的标量化函数，并显示出如何从适当选择的分布中绘制随机标量化以有效地近似 hypervolume indicator metric，进而用此联系说明 Bayesian optimization 具有证明收敛到整个 Pareto frontier 的保证收敛性，同时凸显了标量化框架的一般实用性。
black box optimizationmulti-objective optimizationhypervolume scalarizationbayesian optimizationpareto frontier
发现论文，激发创造
  • 次线性超体积遗憾的最佳标量化方法

    使用综合性标量化技术来探索 Pareto 前沿上的多样化目标集合，证明均匀随机权重的超体积标量化方法在减小超体积遗憾方面是最优的，并在多目标随机线性赌博机问题中得出新的非欧几里得分析结果，获得了改进的超体积遗憾界限。

    Jul, 2023

  • 基于随机标量化的多目标贝叶斯优化的灵活框架

    本文提出了一种基于随机标量化策略的多目标优化方法，可快速、灵活地从 Pareto 前沿的特定区域中采样，且在多项真实问题和合成问题的实验中显示了良好表现。

    May, 2018

  • 多目标 QUBO 求解的标量化技术研究

    本篇研究探讨将多个目标转化为单一目标的方法，在集合约束均值 - 方差投资组合优化问题上，迭代填充帕累托前沿中最大空间的方法可以显著提高性能。

    Oct, 2022

  • 多任务学习中标量化的重新审视：一个理论视角

    在多任务学习领域的研究中，线性标量化一直是文献中的默认选择。然而，近年来出现了将多任务学习视为多目标优化问题的专用多任务优化器（SMTOs）的兴趣激增，因此是否有 SMTOs 相对于标量化算法的基本优势还是个开放的问题。本文从理论角度重新审视标量化，研究线性多任务学习模型是否能完全探索帕累托前沿，并发现无法实现全面探索，特别是那些在多个任务之间取得平衡权衡的帕累托最优解。实验证实了我们的理论发现，并揭示了 SMTOs 在寻求平衡解决方案方面的潜力。

    Aug, 2023

  • 基于标量化的风险概念的鲁棒多目标优化

    基于鲁棒优化的多目标问题，介绍了鲁棒化和标量化两种关键操作之间的哲学差异，展示了风险概念在鲁棒多目标优化问题中的集成，并通过两个基于真实数据集的案例研究验证了这些新思路的有效性。

    May, 2024

  • 多目标优化中的平滑切比雪夫标量化

    本文通过平滑优化技术，提出了一种新颖且轻量级的光滑 Tchebycheff 标量化方法，用于基于梯度的多目标优化问题，具有良好的理论性质，能够以较低的计算复杂度找到符合有效权衡偏好的所有 Pareto 解。实验结果充分证明了我们提出方法的有效性。

    Feb, 2024

  • 针对并行多目标贝叶斯优化的可微分期望超体积改进方法

    本文利用编程模型和硬件加速，提出了 q-Expected Hypervolume Improvement (qEHVI) 算法，使得计算多目标贝叶斯优化的探索函数能够适用于平行、受限制的计算情况，并通过自动微分方法，一个精确的求解 MC 积分误差的加速器来计算探索函数的性能和效果进行了实证研究。

    Jun, 2020

  • 深度多任务学习中单一标量化的辩护

    通过标量化，加标准正则化和稳定技巧，我们可以在流行的监督和强化学习环境中，匹配甚至优于复杂多任务优化器的性能，我们认为这种结果需要对最近的多任务学习研究进行关键重新评估。

    Jan, 2022

  • 使用超体积最大化多目标学习预测帕累托前沿

    提出了一种使用动态损失函数来进行多目标训练神经网络以逼近 Pareto 前沿的新方法，在三个多目标问题上的实验表明，本方法无需预先指定权衡向量即可以返回分布在不同权衡方案上的输出，并且与现有技术相比具有更多的优势，尤其是对于非对称 Pareto 前沿。

    Feb, 2021

  • 具有预期超体积改进的多噪声目标并行贝叶斯优化

    提出了一种新的采样函数 NEHVI，它通过在 Pareto 前沿上集成期望超体积改进准则的不确定性，从而克服了噪声干扰的限制，特别是在大批量优化环境中表现出卓越的性能。

    May, 2021