IJCAINov, 2023

帕累托前沿之外的探索：多目标优化决策支持方法综述

PDF
TL;DR我们提供了一个综述，统一了多目标优化算法产生的解决方案的决策支持方法。我们提供这个主题的最新进展的概述，包括可视化方法、解决方案集挖掘、不确定性探索以及新兴研究方向，包括交互性、可解释性和伦理。我们综合了来自不同研究领域的这些方法，构建了一个独立于应用的统一方法。我们的目标是降低研究人员和实践者使用多目标优化算法的门槛，并提供新的研究方向。
multi-objective optimizationdecision-support methodstrade-offsvisualizationuncertainty exploration
发现论文，激发创造
  • 多目标优化问题中实现目标空间的多样性，以实现高效率搜索

    该论文提出了一种利用 LMS 指标和多目标优化方法来寻找符合用户性能标准的智能设计方案的方法，并在多个问题上进行了验证与分析。

    Jun, 2023

  • 机器学习中使用多目标优化时需避免的常见陷阱

    我们的目标是为机器学习从业者提供清晰、实用的指南，以有效地应用多目标优化 (MOO)，特别是在深度学习 (DL) 的背景下。

    May, 2024

  • 多目标主动偏好学习的贝叶斯优化

    提出了一种贝叶斯优化方法，用于在具有昂贵目标函数的多目标优化问题中确定最优解，通过交互方式自适应地估计 DM 的贝叶斯偏好模型，并利用获得的偏好信息进行主动学习，从而有效地在基准函数优化和机器学习模型的超参数优化问题中找到最优解。

    Nov, 2023

  • 多目标序贯决策调查

    本文调查了设计用于带有多个目标函数的顺序决策问题的算法。通过分类法，将对多目标方法的文献研究按适用的设定情况、标量化函数的属性和考虑的策略类型进行分类。总之，文章总结了关键应用和未来研究机会。

    Feb, 2014

  • UMOEA/D：一种基于分解的统一帕累托目标的多目标进化算法

    通过使用神经网络优化 Pareto 前沿上的最大最小距离，本论文提出了一种构建均匀分布 Pareto 目标的方法，缓解了之前多目标优化方法中所存在的有限多样性问题，并通过实验验证了该方法在生成高质量均匀 Pareto 目标方面的有效性以及优于现有最先进方法的鼓舞人心的性能。

    Feb, 2024

  • 基于深度多目标学习的可扩展 Pareto 前沿逼近

    本研究提出一种直接在特征空间中根据偏好条件来调整神经网络的多目标优化方法，通过对解决方案进行惩罚来维持小角度到偏好向量的方法确保了良好分布的 Pareto 曲线，实验证明我们的 Pareto 前缘尽管计算速度显著更快，但也达到了业内最先进的质量，并展示了其可扩展性。

    Mar, 2021

  • Wasserstein-Fisher-Rao 梯度流的多目标优化

    多目标优化中介粒子方法以及其在全局帕累托优化中的应用

    Nov, 2023

  • 多目标优化的随机多梯度算法及其在监督机器学习中的应用

    研究随机多梯度 (SMG) 方法，将其作为经典随机梯度方法的扩展，用于解决具有不确定性数据的多目标优化问题。通过建立计算 Pareto 前沿的速率，将 SMG 方法帧入 Pareto-front 类型算法，可以鲁棒地确定 Pareto 前沿，并可应用于多个问题上，例如在机器学习中的逻辑二元分类。

    Jul, 2019

  • 多任务学习中高效的连续 Pareto 探索

    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

  • 帕累托前沿多样化批次多目标贝叶斯优化

    我们提出了一种基于贝叶斯优化的新方法，称为 Pareto front-Diverse Batch Multi-Objective BO (PDBO)，用于解决多目标优化问题，其中我们可以评估一批输入并发现高质量和多样化的 Pareto 前沿。

    Jun, 2024