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

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。

Jun, 2020

提出了一种新的、高效的方法，可以生成局部连续的Pareto集和Pareto fronts，并将其应用于现代机器学习问题中。通过提出基于样本的稀疏线性系统，将多目标优化的理论结果扩展到现代机器学习问题中，并实现了局部Pareto集的分析。与现有算法相比，通过在各种多任务分类和回归问题上的应用，证明了我们的算法在平衡权衡、有效地找到更多的不同权衡解以及迎合百万级参数任务的能力。

Jun, 2020

该研究采用Pareto HyperNetworks（PHNs）实现了Pareto-Front Learning（PFL），它通过一个超网络同时学习并输出Pareto前沿，并且相比于训练多个模型，该方法具有更高的运行时效率，并可以根据运行时的偏好选择特定模型。

Oct, 2020

本文研究多目标学习，建立其基础的泛化界限，分析真实目标和经验逼近目标的帕累托最优解之间的关系，同时发现存在对应的对称关系。

Aug, 2022

本文提出了一种基于学习的方法，将分解式多目标优化算法(MOEA/D)从有限种群推广到模型，以近似整个Pareto集，为决策者提供灵活的决策，并展示实验结果。

Oct, 2022

提出 PHN-HVI 框架，利用超网络从多样化的权衡偏好生成多个解并最大化这些解定义的超体积指标以提高 Pareto 前沿的质量，在多个 MOO 机器学习任务上实验结果表明，与基线方法相比，该框架显著提高了产生权衡 Pareto 前沿的性能。

Dec, 2022

我们提出了一种以人为中心的交互式超参数优化方法，旨在从用户中提取优化指标并引导优化，通过学习比较不同帕累托前沿以选择适当的质量指标进行改进，在ML环境影响评估中验证了该方法的有效性。

Sep, 2023

通过数据驱动的偏好向量采样框架，灵活地调整采样分布参数，从而实现高概率从 Pareto 前沿位置采样偏好向量，并且通过使用混合狄利克雷分布来改进模型在不连通 Pareto 前沿中的性能。

Apr, 2024

本研究解决了现有帕累托集学习方法对帕累托前沿形状的先验知识依赖的问题。我们提出了一种无前提形状的帕累托集学习（GPSL）方法，通过将帕累托集的学习视为分布转化问题，克服了这一局限。实验结果表明，该方法在多种测试问题上表现优异，具有广泛的应用潜力。

Aug, 2024