本研究提出了一种新方法，通过相对排名近似目标的累积分布函数，解决机器学习中多个目标的比较与聚合问题。这一方法使得原本不可比较的目标转化为可比较的，帮助实践者有效导航帕累托前沿，尤其在大语言模型选择和自动机器学习基准测试中展现潜力。

NSGA-II-T是NSGA-II的一个新变体，通过使用真实拥挤距离来覆盖多目标问题的完整帕累托前沿，并在每次删除后连续更新拥挤距离值。它在理论上对OneMinMax问题提供了稍好的近似解，具有简单结构，并且是第一种在理论上具有良好性能的适用于多目标问题的NSGA-II变体。

近年来，多任务学习领域对专用多任务优化器（SMTOs）的兴趣激增。本文重新审视标量化，发现线性多任务学习模型无法完全探索帕累托前沿。实验证实了这一理论发现，并揭示了SMTOs在寻求平衡解决方案方面的潜力。

近年来，多任务学习领域对专用多任务优化器（SMTOs）的兴趣激增。本文重新审视标量化理论，发现线性多任务学习模型无法完全探索帕累托前沿。实验证实了这一理论，并揭示了SMTOs在寻求平衡解决方案方面的潜力。