面向 Pareto 前沿学习的数据驱动偏好采样
机器学习
2024-04-15 v1
摘要
Pareto 前沿学习是一种在神经网络中引入偏好向量以逼近 Pareto 前沿的技术。以往的 Pareto 前沿学习方法在逼近简单 Pareto 前沿时展现出了高性能。这些方法通常从固定的 Dirichlet 分布中采样偏好向量。然而，没有任何固定的采样分布能够适应多样的 Pareto 前沿。高效地采样偏好向量并准确估计 Pareto 前沿是一项挑战。为了应对这一挑战，我们提出了一种用于 Pareto 前沿学习的数据驱动偏好向量采样框架。我们利用目标函数的后验信息来灵活调整采样分布的参数。通过这种方式，所提出的方法能够以高概率从 Pareto 前沿所在位置采样偏好向量。此外，我们将偏好向量的分布设计为 Dirichlet 分布的混合，以提高模型在不连通 Pareto 前沿上的性能。大量实验验证了所提出方法相较于 SOTA 算法的优越性。
引用
@article{arxiv.2404.08397,
title = {Data-Driven Preference Sampling for Pareto Front Learning},
author = {Rongguang Ye and Lei Chen and Weiduo Liao and Jinyuan Zhang and Hisao Ishibuchi},
journal= {arXiv preprint arXiv:2404.08397},
year = {2024}
}
备注
International Joint Conference on Neural Network (IJCNN'24)