May, 2024

随机 Pareto 前沿表面

PDF
TL;DR通过极坐标，我们证明了帕累托前沿可以显式地参数化，从而基于此表示可以将线性代数、概率统计和决策理论推广至帕累托前沿空间中的函数。我们以随机设置为重点，研究了帕累托前沿作为随机过程的情况，并展示了如何定义和估计期望值、协方差和分位数等统计量。同时，我们还通过设计实验探讨了如何利用帕累托前沿表面分布来做出有效决策，并在极值理论的背景下展示了帕累托前沿思想的应用。最后，我们通过对实际空气污染数据集的数值示例，应用了我们的新方法。
发现论文，激发创造
  • 帕累托集上的优化：多目标优化理论

    在多目标优化中，考虑到平衡多个目标之间的权衡，解决方案在最优权衡方面被称为帕累托最优；我们研究了解决帕累托集约束优化问题的本地方法，这是一个具有挑战性的问题，因为约束集不仅是隐式定义的，而且通常在目标函数是非凸非光滑的情况下。

    Aug, 2023

  • 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

  • 搜索和推荐中 Pareto 最优解的事后选择

    本文提出了一种名为 “从乌托邦到现实” 的算法（PDU），用于识别和选择帕累托最优解以解决信息检索和推荐系统中的多目标问题，并通过实验证明其优于现有策略。

    Jun, 2023

  • 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

  • 椭圆帕累托过程的高效推理和模拟

    介绍了一种建立在 l-Pareto 过程上的极端事件定义的透露风险函数的极值理论的最新进展，提出使用一种椭圆形 l-Pareto 过程类作为阈值超过的极限，并提供了一种基于部分筛查最大化全似然的有效推断方法。同时，提出了一些新的精确条件和无条件模拟方法，并且利用瑞士的降水极端现象对这些思想进行了说明。

    Dec, 2013

  • 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

  • 表征准确性和公平性权衡帕累托边界的理论方法

    理论分析中，通过确定所有不可被其他分类器支配的最优 Pareto 分类器集合来确定准确性 - 公平性权衡帕累托前沿的形状，该研究旨在解决准确性 - 公平性权衡的长期挑战，并提供一个理论框架。

    Oct, 2023

  • 公平性 - 准确性帕累托前沿

    本文提出使用 Pareto 前沿和 Chebyshev 标量化方案来解决算法公正中准确性和公正性的平衡问题，并证明 Chebyshev 标量化方案在恢复 Pareto 最优解方面比线性标量化方案具有更好的理论性能和计算成本效益。

    Aug, 2020

  • 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

  • 具有连续 Pareto 前沿逼近的多目标强化学习 —— 补充材料

    使用梯度信息和基于策略的方法在多目标 MDP 中学习连续的 Pareto 边界序列，通过跟踪单个梯度上升运行来生成解决方案。

    Jun, 2014