Improving Pareto Front Learning via Multi-Sample Hypernetworks

要約

タイトル：Multi-Sample Hypernetworkを用いたPareto Front Learningの改善

要約：
– Pareto Front Learning（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にマッピング関数を得る効果的なアプローチであり、多目的最適化（MOO）問題を解決します。
– 相反する目的の間にあるトレードオフのため、PFLは、意思決定者が1つのパレート解を他の解の優位性に対して指定できない多くのシナリオで柔軟なアプローチを提供し、状況に応じてそれらを切り替える必要があります。
– ただし、既存のPFLの方法では、最適化プロセス中に解の関係を無視するため、得られたフロントの品質が低下します。
– この問題を克服するために、我々はPHN-HVIという新しいPFLフレームワークを提案しています。このフレームワークは、複数の異なるトレードオフの選好から複数の解を生成するためにハイパーネットワークを使用し、これらの解によって定義されるハイパーボリューム指標を最大化することにより、パレートフロントの品質を向上させます。
– いくつかのMOO機械学習タスクに対する実験的結果は、提案されたフレームワークがトレードオフのパレートフロントを生成するためのベースラインに比べて有意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, OpenAI