寻找真实情景下的 Pareto 集——多任务多目标视角
神经与进化计算
2026-04-07 v1
摘要
最近，演化多任务被用于生成“Pareto 集的集合”(SOS)，用于机器学习模型，涵盖异构环境中多样化任务设置。这涉及创建一套紧凑、专门化的解决方案模型，这些模型整体针对每个特定任务设置和环境定制，使用户能够根据特定规格和偏好选择最合适的模型。本文进一步展示了SOS概念在不同领域的多样性和适用性，聚焦三个真实问题：工程设计问题、库存管理问题和超参数优化问题。此外，由于演化多任务在生成SOS方面已被证明有效，我们检验了当前演化多任务方法在这些真实问题上的性能。随后，我们在决策空间和目标空间中展示了所生成SOS的可视化，同时开发了衡量不同Pareto 集之间相似性的度量方法。最后，我们表明通过系统性地检查SOS解决方案在不同任务设置下Pareto 最优设计的偏移，用户能够更深入地理解设计解决方案及其在不同情境或上下文中的性能之间的动态相互作用。
引用
@article{arxiv.2604.03570,
title = {Finding Sets of Pareto Sets in Real-World Scenarios -- A Multitask Multiobjective Perspective},
author = {Jiao Liu and Yew Soon Ong and Melvin Wong},
journal= {arXiv preprint arXiv:2604.03570},
year = {2026}
}