一种基于退火Stein变分超网络的可控多目标学习框架

《ACM Transactions on Intelligent Systems and Technology》：A Framework for Controllable Multi-objective Learning with Annealed Stein Variational Hypernetworks

　　

摘要AI 摘要

要查看此 AI 生成的摘要，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

帕累托集学习（Pareto Set Learning, PSL）是一种在多目标学习（Multi-objective Learning, MOL）中近似完整最优解集的高效方法。通过学习一组映射到目标空间中密集帕累托前沿的解集，PSL 旨在恢复潜在的帕累托集。然而，大多数现有方法过于关注向最优性收敛，往往忽视了解的多样性。为了显式地平衡收敛性和多样性，我们提出了面向多目标学习的斯坦因变分超网络（Stein Variational Hypernetwork for MOL, SVH-MOL），这是一个将斯坦因变分更新机制引入帕累托集学习的新框架。SVH-MOL 通过两个互补的分量来更新解：（i）一个驱动项，引导粒子向帕累托集移动；（ii）一个排斥项，促进解之间的多样性。这两个项天然相互竞争，使得稳定且有效的学习变得具有挑战性。为解决这一问题，我们引入了一种退火调度方案，在训练过程中自适应地控制每个项的相对强度。在合成多目标基准测试和真实多任务学习问题上的大量实验表明，SVH-MOL 在收敛性与多样性之间实现了比现有方法更好的权衡。我们的实现已发布在 https://github.com/nguyenduc810/SVH-MOL-official。

AI 摘要

AI 生成摘要（实验性功能）

此摘要由自动化工具生成，未经文章作者撰写或审核。它旨在支持检索发现，帮助读者评估相关性，并协助来自相邻研究领域的读者理解本文内容。它是对作者提供的摘要的补充，后者仍然是论文的主要概述。完整文章始终是权威版本。

点击此处评论此摘要的准确性、清晰度和实用性。您的反馈将帮助我们改进并生成未来优化版本。

要查看此 AI 生成的通俗语言摘要，您需要拥有高级访问权限。