本研究探讨了如何将多个二元目标标签整合为一致排名，分析了损失聚合与标签聚合两种方法。结果显示，尽管两者均可达到帕累托最优解，但标签聚合更优，避免了标签独裁现象，为实际应用提供了指导。

本研究探讨了通过“回收”不同训练轮次的模型检查点来优化多个任务的“通用”模型合并过程。结果显示，调整检查点权重的线性组合可以生成性能优于单个模型的帕累托最优模型。

本研究提出了一种新颖的多指标比较方法，基于帕累托最优概念对多目标优化算法进行排序，解决了性能比较标准不足的问题，具有重要的应用潜力。