在这项工作中，我们提出了一种新颖的可控 Pareto 集学习 (Co-PSL) 方法，旨在解决现有无导数 PSL 方法在昂贵的黑盒多目标优化问题中不稳定和低效的问题，通过两个阶段的功能：(1) 使用贝叶斯优化进行预热，以获得高质量的高斯过程先验；(2) 可控 Pareto 集学习，准确获得从偏好到相应 Pareto 解的参数映射，以实现对冲突目标之间的实时权衡控制。综合合成和现实世界的多目标优化问题的性能展示了 Co-PSL 的有效性。

Nov, 2023

通过进化好性采样 (Evolutionary Preference Sampling，EPS) 策略，将其融入到五种高级 Pareto Set Learning (PSL) 方法中，该论文提出了一种有效的样本优先选择向量，实现了对 Pareto 集合的快速收敛速度。

Apr, 2024

本文通过神经组合优化的思想，提出了多目标组合优化问题的学习方法，模型可直接生成逼近帕累托前沿的解，证明了该方法在多目标问题上的有效性。

Mar, 2022

在本文中，我们研究了一个广泛且重要的学习问题 —— 成对相似度学习（PSL）。我们提出了一种简单但令人惊讶的无代理方法 SimPLE，该方法在开集识别中能够很好地推广，应用于开集人脸识别、图像检索和说话人验证三个挑战性的 PSL 任务上，通过大规模基准实验结果表明我们的方法明显优于现有的最先进方法。

Oct, 2023

该研究提出了一种全新 Pareto 多任务学习算法，通过将多任务学习看作是多目标优化问题，并将多目标优化问题分解为具有不同权衡偏好的一组约束子问题，该算法能够找到一组良好分布的 Pareto 最优解，这些解能够代表不同任务之间的不同权衡，该算法在许多多任务学习应用程序上具有优越性能。

Dec, 2019

多目标贝叶斯优化通过引入复合扩散模型和信息熵加权方法，在昂贵多目标优化问题中获得高质量解集，并在合成基准和实际问题上展示了卓越性能。

May, 2024

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

通过基于超体积期望最大化的 Pareto 注意模型以及超体积残差更新策略，结合新颖的推理方法和局部子集选择方法，设计了一种名为 GAPL 的几何感知 Pareto 集学习算法，用于解决多目标组合优化问题，提高问题的分解能力和多样性增强。通过三个经典的多目标组合优化问题的实验结果表明，GAPL 算法在分解和多样性增强方面优于现有的神经基准模型。

May, 2024

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