FERERO：面向偏好引导的多目标学习的灵活框架
机器学习
2025-03-28 v1 最优化与控制
摘要
在多目标问题中，寻找代表不同目标之间不同权衡的特定偏好引导的 Pareto 最优解至关重要且具有挑战性。现有方法在偏好定义和/或其理论保证方面具有局限性。本文引入了一个面向偏好引导的多目标学习的灵活框架（FERERO），将其建模为受约束的向量优化问题。具体而言，本文在该公式中包含了两种类型的偏好——一种由由多面体锥诱导的部分排序所定义的相对偏好，以及一种由目标的线性函数定义的约束所定义的绝对偏好。为解决该问题，开发了具有单环和随机变体的收敛算法。值得注意的是，这是我们所知首个受约束向量优化的单环 primal 算法。该提议算法适应于约束值和目标值，消除需要在约束满足的不同阶段解决不同子问题的需求。实验在多个基准数据集上表明，所提方法在寻找偏好引导的最优解方面表现非常出色。代码可在 https://github.com/lisha-chen/FERERO/ 获取。
引用
@article{arxiv.2412.01773,
title = {FERERO: A Flexible Framework for Preference-Guided Multi-Objective Learning},
author = {Lisha Chen and AFM Saif and Yanning Shen and Tianyi Chen},
journal= {arXiv preprint arXiv:2412.01773},
year = {2025}
}