- FEIR:公平推荐有限资源的羡慕感和自卑感量化与减少
在电子招聘和在线约会等环境中,推荐涉及分配有限的机会,需要新的方法来量化和强制公平。本文引入了一种新的(不)公平度量指标 —— 劣势,用于衡量用户在推荐商品中的竞争劣势。劣势与羡慕(一种衡量对他人推荐的偏好)相结合,并使用与准确性相关的聚合 - DeliverAI: 基于强化学习的分布式送餐路径共享网络
通过强化学习实现路径共享算法,优化多目标最优化问题,提高送餐效率并降低成本。
- 多目标优化的多梯度学习优化
通过引入自动学习范式,我们介绍了一种新的自动优化多目标优化问题的学习方法,并提出了一种多梯度学习优化(ML2O)方法,通过自动学习多个梯度以更新方向。通过引入新的守卫机制,我们提出了一种守卫多梯度学习优化(GML2O)方法,并证明了 GML - 长尾学习作为多目标优化
通过多目标优化,我们提出一种梯度平衡聚类(GBG)策略,以应对现实世界数据中的类别不平衡和长尾分布问题,并在长尾学习中展现出比现有方法更优越的性能。
- 悲观的离策多目标优化
多目标优化的离线优化通过现有策略收集的数据进行优化;我们提出了一种悲观估计方法,基于倒数离差分数,可以轻松地插入现有的超体积计算公式进行优化。该方法不仅在理论和实验上改进了朴素的倒数离差分数估计方法,还可以通过策略梯度进行优化,在我们的所有 - 贝叶斯优化在可持续混凝土中的应用
通过贝叶斯优化方法,我们提出了一种模型,可以准确预测混凝土的强度,将搜索可持续混凝土的过程变为多目标优化问题,实验结果表明相比于当前工业实践,我们的方法在混凝土的全球变暖潜力和其压缩强度之间具有改善的权衡关系。
- 巴雷托优化加速多目标虚拟筛选
在多目标优化问题中,通过使用多目标贝叶斯优化方法,可以减少多属性虚拟筛选的计算成本,并成功地在三个案例研究中展示了 Pareto 优化的优越性。此外,我们使用开发的优化工具搜索了包含四百万种分子的虚拟库,仅探索了该库的 8% 即获得了该库 - 联邦多目标学习
提出一种新的联邦多目标学习 (FMOL) 框架,使多个客户端通过分布式和协作的方式解决多目标优化问题,同时保持其训练数据的私密性。该框架支持不同客户端之间的不同目标函数,将多目标优化的思想推广到联邦学习范式中,并提出两种新的联邦多目标优化算 - 平面软生长机器人操纵器的设计优化器
这项工作提出了一种软体生长机器人设计优化的新方法,通过多目标优化问题的数学建模和演化算法,实现了软体机械臂的运动链优化,以解决特定任务并避免不必要的材料和资源浪费。实验证明该方法在性能和资源消耗方面优于现有文献中的方法。
- IBCL:连续学习中任务权衡的零样本模型生成
基于不精确贝叶斯连续学习 (IBCL) 提出了一种对付任务权衡偏好的方法,更新了一个知识库并从中获取特定模型用以应对任务权衡偏好,无需额外的训练开销。IBCL 获得的模型具备辨别 Pareto 最优参数的保证,通过标准图像分类和自然语言处理 - 微电网多目标优化调度的比较研究
本研究通过多目标优化模型探讨微电网的运营和环境成本之间的关系,通过集成遗传算法、模拟退火、蚁群优化和粒子群优化等多种优化算法,提出了一种整合方法进行微电网优化。模拟结果揭示了经济和环境分派下,这些算法提供了不同的调度结果,揭示了柴油发电机和 - 有序保留的 GFlowNets
Order-Preserving GFlowNets (OP-GFNs) are proposed to sample candidates in proportion to a learned reward function consis - 降低风险设计与运营工具包:在决策问题中管理风险与不确定性的 90 种策略
该论文提出了一种被忽视的应对不确定性的策略类别 ——RDOT(风险降低设计和运营工具包),该工具包可以应用于受到高度不确定性影响的决策问题,使其变得更容易处理。论文总结了 90 多种 RDOT 策略,并提出了一个将其纳入多目标优化的决策模型 - 离线强化学习的多目标决策 Transformer
离线强化学习以多目标优化问题的形式重新定义为序列建模任务,引入动作空间区域以解决变换模型的关注机制在输入上分配变化注意权重的潜在问题。实验证明这些提议使得变换模型更有效地利用关注机制,达到或超过当前最先进方法的性能。
- 稀疏深度神经网络训练的多目标优化
深度学习中存在多个冲突的优化准则,本文提出了一种多目标优化算法,使用修改后的加权切比雪夫标量化方法来训练深度神经网络 (DNNs),并通过实验证明了可以在训练过程中自适应地稀疏化模型,而不显著影响其性能。
- 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。
- 多任务学习与部分监督的结合:计算机视觉综述
多任务学习通过使用共享资源同时计算多个输出,具有比传统方法更低的内存需求和推理时间,本综述主要研究多任务学习如何在不同的部分监督设置下应用以解决相关挑战。
- 使用 GSEMO 在 OneMinMax 上进行多样性优化的严格运行时分析
本论文研究了 GSEMO 算法在多目标优化中优化群体多样性的方法,阐述了该算法在解决 Pareto - 最优问题中的优势,并得到当问题规模为奇数时,预期时间内收敛到具有最优多样性的种群的证明,分析中涉及了种群的随机漫步等相关理论。
- ICML利用情境反事实推理进行信念校准
通过用多目标优化来校准背景驱动的反事实推理,我们提出了 “信仰校准周期” 框架,以更全面地校准信仰多样性。
- DADO -- 深度主动设计优化的低成本选择策略
应用深度主动学习于设计优化,通过两种自我优化的选择策略有效降低计算成本,并在流体力学领域验证了方法的有效性。