Improving Pareto Front Learning via Multi-Sample Hypernetworks

要約

パレート フロント学習 (PFL) は、与えられたトレードオフ ベクトルからパレート フロント上の解へのマッピング関数を取得するための効果的なアプローチとして最近導入され、多目的最適化 (MOO) 問題を解決します。
相反する目的の間に固有のトレードオフがあるため、PFL は、意思決定者が 1 つのパレート ソリューションを別のソリューションより優先することを指定できず、状況に応じてそれらを切り替える必要がある多くのシナリオで柔軟なアプローチを提供します。
ただし、既存の PFL メソッドは、最適化プロセス中にソリューション間の関係を無視するため、取得された前線の品質が低下します。
この問題を克服するために、新しい PFL フレームワーク、つまり PHN-HVI を提案します。これは、ハイパーネットワークを使用して、一連の多様なトレードオフ設定から複数のソリューションを生成し、これらのソリューションによって定義されるハイパーボリューム インジケーターを最大化することでパレート フロントの品質を向上させます。
.
いくつかの MOO 機械学習タスクに関する実験結果は、提案されたフレームワークがトレードオフ パレート フロントの生成においてベースラインよりも大幅に優れていることを示しています。

要約(オリジナル)

Pareto Front Learning (PFL) was recently introduced as an effective approach to obtain a mapping function from a given trade-off vector to a solution on the Pareto front, which solves the multi-objective optimization (MOO) problem. Due to the inherent trade-off between conflicting objectives, PFL offers a flexible approach in many scenarios in which the decision makers can not specify the preference of one Pareto solution over another, and must switch between them depending on the situation. However, existing PFL methods ignore the relationship between the solutions during the optimization process, which hinders the quality of the obtained front. To overcome this issue, we propose a novel PFL framework namely PHN-HVI, which employs a hypernetwork to generate multiple solutions from a set of diverse trade-off preferences and enhance the quality of the Pareto front by maximizing the Hypervolume indicator defined by these solutions. The experimental results on several MOO machine learning tasks show that the proposed framework significantly outperforms the baselines in producing the trade-off Pareto front.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google