面向几何感知的神经多目标组合优化 Pareto 集学习
原文中文，约300字，阅读约需1分钟。发表于：。通过基于超体积期望最大化的 Pareto 注意模型以及超体积残差更新策略，结合新颖的推理方法和局部子集选择方法，设计了一种名为 GAPL 的几何感知 Pareto 集学习算法，用于解决多目标组合优化问题，提高问题的分解能力和多样性增强。通过三个经典的多目标组合优化问题的实验结果表明，GAPL 算法在分解和多样性增强方面优于现有的神经基准模型。
该研究提出了一种新的高效方法，用于生成局部连续的 Pareto 集和 Pareto fronts，并将其应用于现代机器学习问题中。通过基于样本的稀疏线性系统，扩展了多目标优化的理论结果，并实现了局部 Pareto 集的分析。通过在多任务分类和回归问题上的应用，证明了该算法在平衡权衡、找到更多不同权衡解以及处理百万级参数任务方面的能力。
