Apr, 2024

进化偏好采样用于帕累托集学习

PDF
TL;DR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。
pareto set learningneural networkmulti-objective optimization problemspreference sampling strategyevolutionary preference sampling
发现论文，激发创造
  • 基于数据驱动的 Pareto 前缘学习的偏好采样

    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

  • 多目标优化问题中的协作帕累托集学习

    多目标优化中的 Pareto 集学习是一个新兴的研究领域，该论文提出了一种协同 Pareto 集学习 (CoPSL) 框架，通过共享层和特定于 MOP 的层的协同处理，以高效地学习多个 MOP 的 Pareto 集。实验证明了 CoPSL 在模拟 Pareto 集方面的出色效率和稳健性。

    Apr, 2024

  • 可控的高成本多目标优化中的热启动高斯过程

    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

  • 神经多目标组合优化问题中的 Pareto 集学习

    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

  • 利用多样本超网络改善 Pareto 前沿学习

    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

  • 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

  • 使用超网络学习 Pareto 前沿

    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

  • 基于专家模型融合的高效 Pareto 集近似方法

    通过专家混合（MoE）模型融合的实用且可扩展的方法，本研究旨在有效学习大型神经网络的 Pareto 集，从而捕捉多个目标之间的权衡关系和大致近似整个 Pareto 集，并在低内存使用量的情况下提供可扩展性。

    Jun, 2024

  • 基于扩散模型的昂贵多目标贝叶斯优化

    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

  • 昂贵多目标优化的 Pareto 集学习

    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