Pareto 前形态无关的Pareto集合学习

Pareto 集合学习（Pareto Set Learning, PSL）是一种新兴的方法，用于获取多目标优化问题的完整Pareto集合。现有方法主要依赖于在目标空间中对偏好向量进行映射，以获得决策空间中的Pareto最优解。然而，偏好向量的采样理论上需要对Pareto前形态具有先验知识才能确保PSL方法的高性能。由于Pareto前形态无法事先知晓，设计偏好向量的采样策略具有较大难度。为使Pareto集合学习在任意Pareto前形态下都能有效工作，我们提出一种无需对Pareto前形态先验信息的Pareto前形态无关Pareto集合学习方法（GPSL）。GPSL的核心思想是将Pareto集合的学习视为分布转换的问题。具体而言，GPSL可以将任意分布转换为Pareto集合分布。我们证明，通过最大化超体积（hypervolume）来训练神经网络，可实现分布转换的过程。我们提出的方法能够处理任意形状的Pareto前，并无需先验知识即可学习Pareto集合。实验结果表明，我们的方法在多样化的测试问题上 outperform 最近的Pareto集合学习算法。