帕累托集的摊销式主动生成
机器学习
2025-12-18 v3 机器学习
摘要
我们提出了帕累托集主动生成(A-GPS)框架,一种用于在线离散黑箱多目标优化(MOO)的新框架。A-GPS学习一个帕累托集的生成模型,该模型支持对用户偏好进行后验条件化。该方法采用类概率估计器(CPE)来预测非支配关系,并将生成模型条件化到搜索空间中高性能区域。我们还表明,这种非支配CPE隐式估计了超体积改进概率(PHVI)。为了融入主观权衡,A-GPS引入了偏好方向向量,用于在目标空间中编码用户指定的偏好。在每次迭代中,模型同时根据帕累托隶属度和与这些偏好方向的对齐进行更新,产生一个无需重新训练即可在帕累托前沿上采样的摊销式生成模型。结果是一种简单而强大的方法,能够获得高质量的帕累托集近似,避免显式的超体积计算,并灵活地捕捉用户偏好。在合成基准和蛋白质设计任务上的实证结果表明了其强大的样本效率和有效的偏好融入能力。
引用
@article{arxiv.2510.21052,
title = {Amortized Active Generation of Pareto Sets},
author = {Daniel M. Steinberg and Asiri Wijesinghe and Rafael Oliveira and Piotr Koniusz and Cheng Soon Ong and Edwin V. Bonilla},
journal= {arXiv preprint arXiv:2510.21052},
year = {2025}
}
备注
Appears in the 39th Conference on Neural Information Processing Systems (NeurIPS 2025)