- MORBDD：多目标受限二进制决策图的稀疏学习
通过机器学习方法，本研究使用二进制决策图在多准则决策中精确求解多目标整数线性规划问题，发现适用于单目标问题的局限二进制决策图可通过 ML 方法进行改进，产生具有优秀近似精度且规模较小的稀疏解。
- 关于群体公平和个体公平之间的 (不) 兼容性
我们研究了最优统计公平性解决方案与个别公平性之间的兼容性，并分析了它们之间的冲突以及潜在解决方案。通过放宽前者到 Pareto 边界，我们确定了满足个体公平性要求的 Pareto 边界区域，从而使统计公平的 Pareto 最优性与个体公平性 - 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。
- ICML次线性超体积遗憾的最佳标量化方法
使用综合性标量化技术来探索 Pareto 前沿上的多样化目标集合，证明均匀随机权重的超体积标量化方法在减小超体积遗憾方面是最优的，并在多目标随机线性赌博机问题中得出新的非欧几里得分析结果，获得了改进的超体积遗憾界限。
- LEO: 学习高效的多目标二进制决策图排序
基于二进制决策图的方法在多目标整数规划问题上取得了最先进的结果，本文提出了一种基于变量顺序的新颖参数配置空间，并通过监督学习方法找到了有效的变量顺序，以降低枚举时间。
- 多目标优化问题中实现目标空间的多样性，以实现高效率搜索
该论文提出了一种利用 LMS 指标和多目标优化方法来寻找符合用户性能标准的智能设计方案的方法，并在多个问题上进行了验证与分析。
- ACL多语言机器翻译中的高 Pareto 前沿探索
本文提出了一种新的训练框架 Pareto Mutual Distillation (Pareto-MD)，通过知识蒸馏协同训练出针对不同语言的 Pareto 最优解，有力地推进了 Pareto 前沿，实验结果表明在 WMT 和 TED 数据 - 图像分割中动态特征缩放的分摊学习
本文介绍了一种新的超网络策略可以用来快速生成卷积神经网络，从而用于处理图像分割任务，在尽可能地保证准确性的前提下提高计算效率，并成功展现了各种域的价值。
- 公平导向的超参数调优探索系统
本文介绍了 FairPilot，一个交互式系统，旨在通过探究多种模型，不同的超参数和广泛的公平性定义来促进 ML 模型的负责任开发。我们强调了选择 “最佳” ML 模型的挑战，并演示了 FairPilot 如何允许用户选择一组评估标准，然后 - OFA$^2$: 一种多目标视角下的通用神经结构搜索方法
该研究介绍了 Once-for-All（OFA）神经架构搜索（NAS）框架，利用多目标优化算法在 OFA 神经网络的基础上搜索高效的神经架构，并生成一个 Pareto 前沿，以指导 NAS 决策。
- 学习公正性，走向公平、隐私和效用的帕累托前沿
采用中立性原则，提出一个用于机器学习的管道的设计，在优化准确度的同时，不会偏向公平性或隐私，使用方法 FairDP-SGD 和 FairPATE 得到真正的 Pareto 前沿线。
- 一种多目标约束 POMDP 模型用于乳腺癌筛查
本研究提出了一种基于 CPOMDP 的多目标模型，用于乳腺癌筛查，该模型允许在乳腺 X 线摄影检查（mammography）的基础上使用辅助筛查方法。实验结果表明，使用加权目标的策略可以生成平衡的 QALY 和 LBCMR 值，并发现在预算 - 使用最小校正子集精确和近似确定 Pareto 集
本文介绍了一种利用极小修正集 (Minimal Correction Subsets) 枚举解决多目标布尔优化 (MOBO) 问题的方法，并提出了两个新算法来寻找 Pareto 前沿的近似解，实验结果证明这些新算法比现有的算法更加优秀且精度 - 在线手写拼写纠正
介绍了 Inkorrect，一种数据和标签高效的在线手写（数字墨水）拼写校正方法，提出了新的自动评估指标来匹配人类感知，通过建立不同 Pareto 前沿模型的系列，解决识别和相似度的平衡问题。
- 一个考虑输入不确定性的强健多目标贝叶斯优化框架
本研究提出了一种新的贝叶斯优化框架，用于考虑输入不确定性的多目标优化，包括鲁棒性的量化和搜索一个鲁棒的帕累托前沿，并通过数值基准测试证明了其有效性。
- 通过强化学习实现帕累托有效的公平效用权衡推荐
本文提出了一种基于多目标强化学习的公平感知的推荐框架（MoFIR），能够以单参数表示形式学习所有可能偏好的最优推荐策略，并在多个真实推荐数据集上的实验中验证了其在公平指标和推荐度量方面的优越性。
- 一般情境强化学习模型选择的帕累托前沿
研究模型选择中遇到的问题，证明了在_nested policy classes_中，无论时限和复杂度如何权衡，都不能同时得到所有策略的最优算法保证，并且在纯随机环境下，无法获得所需的结果；同时在_full-information games - ACL面向高效的自然语言处理：标准评估和强基线模型
该研究提出了一种标准评估和公开排行榜 ELUE（Efficient Language Understanding Evaluation）用于评估各种自然语言处理模型的效率，包括了统计语言模型 BERT 的一个新版本 ElasticBERT， - 多任务学习中公平性和准确性权衡的理解和改进
本文讨论了多任务学习中组公平性对于准确性的影响，提出了一种新的测量多维 Pareto 前沿的公平性 - 准确性权衡的方法，并提出了一种多任务感知公平性（MTA-F）方法来改善多任务学习中的公平性。实验结果表明，该方法的有效性。
- 具有预期超体积改进的多噪声目标并行贝叶斯优化
提出了一种新的采样函数 NEHVI，它通过在 Pareto 前沿上集成期望超体积改进准则的不确定性，从而克服了噪声干扰的限制，特别是在大批量优化环境中表现出卓越的性能。