May, 2024

面向几何感知的神经多目标组合优化 Pareto 集学习

PDF
TL;DR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。
multi-objective combinatorial optimizationneural methodspareto attention modelhypervolume calculationdiversity enhancement
发现论文，激发创造
  • 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

  • 神经多目标组合优化增强多样性

    通过提出一种新的具有多样性增强的神经启发式方法，我们能够从多目标组合优化问题的不同视角产生更多的 Pareto 解，并在经典的多目标组合优化问题上取得了更高的多样性 Pareto 前沿和卓越的整体性能。

    Oct, 2023

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • Moco: 一个可学习的元优化器用于组合优化

    Moco 是一个完全可学习的元优化器，使用基于当前搜索状态提取的特征来更新解构建过程，适应不同的计算预算，表现优于其他方法。

    Feb, 2024