多目标深度学习：概论与最新进展综述
机器学习
2024-12-04 v2 最优化与控制
摘要
在机器学习中同时考虑多个目标已是数十年来流行的方法，具有诸多优势，包括多任务学习、考虑稀疏性等次要目标，或多准则超参数调优方面的益处。然而——由于多目标优化显著比单目标优化更昂贵——近期聚焦于深度学习架构带来了额外的挑战，due to 参数数量庞大、非线性强烈以及随机性。本综述涵盖了多目标深度学习领域的最新进展。我们引入现有方法的分类体系——基于训练算法的类型以及决策者的需求——在列出最新进展和成功应用后进行归纳。涵盖了所有三个主要学习范式：监督学习、无监督学习和强化学习，我们还关注近年来非常流行的生成模型领域。
引用
@article{arxiv.2412.01566,
title = {Multi-objective Deep Learning: Taxonomy and Survey of the State of the Art},
author = {Sebastian Peitz and Sedjro Salomon Hotegni},
journal= {arXiv preprint arXiv:2412.01566},
year = {2024}
}