离线-前沿迁移：诊断生成式多目标优化中的分布性限制
机器学习
2026-05-13 v2
摘要
离线多目标优化（MOO）旨在给定有限且静态数据集的情况下恢复帕累托最优设计。最近的生成方法，包括扩散模型，在超体积（hypervolume）指标下表现突出，但在其他既定MOO指标下的行为鲜了解。我们展示，生成方法在其他诸多指标（如世代距离generational distance）上系统性地落后于进化方法。我们将这一失效模式与离线-前沿迁移（offline-frontier shift）相关联，即离线数据集从帕累托前沿上产生的位移，这是离线MOO中的一种根本性限制。我们认为，克服这一限制需要通过积分概率度量（integral probability metric）进行目标空间的离分布采样（out-of-distribution sampling），并经验观察到生成方法仍保守地靠近离线目标分布。我们的结果将离线MOO定位为一种分布迁移受限的问题，并提供诊断视角，帮助理解何时何地以及为何生成优化方法会失败。
引用
@article{arxiv.2602.11126,
title = {The Offline-Frontier Shift: Diagnosing Distributional Limits in Generative Multi-Objective Optimization},
author = {Stephanie Holly and Alexandru-Ciprian Zăvoianu and Siegfried Silber and Sepp Hochreiter and Werner Zellinger},
journal= {arXiv preprint arXiv:2602.11126},
year = {2026}
}