論文の概要: Data-Driven Preference Sampling for Pareto Front Learning

• arxiv url: http://arxiv.org/abs/2404.08397v1
• Date: Fri, 12 Apr 2024 11:06:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-15 15:16:32.485635
• Title: Data-Driven Preference Sampling for Pareto Front Learning
• Title（参考訳）: Paretoフロントエンド学習のためのデータ駆動推論サンプリング
• Authors: Rongguang Ye, Lei Chen, Weiduo Liao, Jinyuan Zhang, Hisao Ishibuchi,
• Abstract要約: 本研究では,Paretoフロントエンド学習のためのデータ駆動型選好ベクトルサンプリングフレームワークを提案する。 対象関数の後方情報を用いて、サンプリング分布のパラメータを柔軟に調整する。 選好ベクトルの分布をディリクレ分布の混合として設計し、モデルの性能を向上させる。
• 参考スコア（独自算出の注目度）: 10.70174844791007
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pareto front learning is a technique that introduces preference vectors in a neural network to approximate the Pareto front. Previous Pareto front learning methods have demonstrated high performance in approximating simple Pareto fronts. These methods often sample preference vectors from a fixed Dirichlet distribution. However, no fixed sampling distribution can be adapted to diverse Pareto fronts. Efficiently sampling preference vectors and accurately estimating the Pareto front is a challenge. To address this challenge, we propose a data-driven preference vector sampling framework for Pareto front learning. We utilize the posterior information of the objective functions to adjust the parameters of the sampling distribution flexibly. In this manner, the proposed method can sample preference vectors from the location of the Pareto front with a high probability. Moreover, we design the distribution of the preference vector as a mixture of Dirichlet distributions to improve the performance of the model in disconnected Pareto fronts. Extensive experiments validate the superiority of the proposed method compared with state-of-the-art algorithms.
• Abstract（参考訳）: Paretoフロントエンド学習は、ニューラルネットワークに好みベクトルを導入して、Paretoフロントを近似するテクニックである。 従来のParetoフロント学習手法は,単純なParetoフロントの近似において高い性能を示した。 これらの方法はしばしば、固定されたディリクレ分布から選好ベクトルをサンプリングする。 しかし、固定サンプリング分布は多様なパレートフロントに適応できない。 選好ベクトルを効率的にサンプリングし、パレートフロントを正確に推定することは困難である。 そこで本研究では,Paretoフロントエンド学習のためのデータ駆動型選好ベクトルサンプリングフレームワークを提案する。 対象関数の後方情報を用いて、サンプリング分布のパラメータを柔軟に調整する。 このようにして、提案手法は、高い確率でパレートフロントの位置から選好ベクトルをサンプリングすることができる。 さらに、選好ベクトルの分布をディリクレ分布の混合として設計し、不連結なパレートフロントにおけるモデルの性能を向上させる。 大規模実験により,提案手法の精度を最先端のアルゴリズムと比較した。

関連論文リスト

• Preference Optimization with Multi-Sample Comparisons [53.02717574375549]
  本稿では,マルチサンプル比較を含むポストトレーニングの拡張手法を提案する。 これらのアプローチは、生成的多様性やバイアスといった重要な特徴を捉えられない。 マルチサンプル比較はシングルサンプル比較よりも集団特性の最適化に有効であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T00:59:19Z)
• Efficient Fairness-Performance Pareto Front Computation [51.558848491038916]
  最適公正表現はいくつかの有用な構造特性を持つことを示す。 そこで,これらの近似問題は,凹凸プログラミング法により効率的に解けることを示す。
  論文  参考訳（メタデータ） (2024-09-26T08:46:48Z)
• Pareto Front Shape-Agnostic Pareto Set Learning in Multi-Objective Optimization [6.810571151954673]
  既存の方法は、目的空間における選好ベクトルを決定空間における最適解にマッピングすることに依存する。 提案手法は, 事前知識を必要とせずに, パレート前面の任意の形状を処理し, パレート集合を学習することができる。
  論文  参考訳（メタデータ） (2024-08-11T14:09:40Z)
• Pareto Low-Rank Adapters: Efficient Multi-Task Learning with Preferences [49.14535254003683]
  PaLoRAは、タスク固有の低ランクアダプタでオリジナルのモデルを拡張する、新しいパラメータ効率の手法である。 実験の結果,PaLoRAは様々なデータセットでMTLとPFLのベースラインを上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-07-10T21:25:51Z)
• Random Pareto front surfaces [4.12484724941528]
  多目的最適化は、最良のトレードオフポイントを接続することによって得られる集合を特定することを目的としている。 本研究では,任意のパレート面をスカラー値長関数を用いて等価に表現できることを示す。 次に、実験環境の設計において実際にどのように使用できるかについて議論する。
  論文  参考訳（メタデータ） (2024-05-02T15:54:46Z)
• Evolutionary Preference Sampling for Pareto Set Learning [7.306693705576791]
  我々は、ニューラルネットワークトレーニングのための選好ベクトルを生成する進化過程として、選好サンプリングを考慮する。 提案手法は,7つのテスト問題に対するベースラインアルゴリズムよりも高速な収束速度を有する。
  論文  参考訳（メタデータ） (2024-04-12T11:58:13Z)
• Learning the Pareto Front Using Bootstrapped Observation Samples [17.519167857253404]
  本研究では,非支配的な平均報酬ベクトルを持つアームの集合を同定するアルゴリズムを提案する。 提案アルゴリズムのサンプル複雑性は対数係数まで最適である。 主要なコントリビューションは、新しい推定器で、ラウンド毎に、未知のパラメータの見積もりを複数のコンテキスト方向に沿って更新する。
  論文  参考訳（メタデータ） (2023-05-31T18:15:09Z)
• Plug-and-Play split Gibbs sampler: embedding deep generative priors in Bayesian inference [12.91637880428221]
  本稿では, 後方分布から効率的にサンプリングするために, 可変分割を利用したプラグアンドプレイサンプリングアルゴリズムを提案する。 後方サンプリングの課題を2つの単純なサンプリング問題に分割する。 その性能は最近の最先端の最適化とサンプリング手法と比較される。
  論文  参考訳（メタデータ） (2023-04-21T17:17:51Z)
• Sampling-free Variational Inference for Neural Networks with Multiplicative Activation Noise [51.080620762639434]
  サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。 提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
  論文  参考訳（メタデータ） (2021-03-15T16:16:18Z)
• Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
  本稿では,3次元形状対応のための教師なし学習手法を提案する。 提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-28T22:24:07Z)
• Distributed Sketching Methods for Privacy Preserving Regression [54.51566432934556]
  ランダム化されたスケッチを利用して、問題の次元を減らし、プライバシを保ち、非同期分散システムにおけるストラグラーレジリエンスを改善します。 従来のスケッチ手法に対する新しい近似保証を導出し、分散スケッチにおけるパラメータ平均化の精度を解析する。 大規模実験によるサーバレスコンピューティングプラットフォームにおける分散スケッチのパフォーマンスについて説明する。
  論文  参考訳（メタデータ） (2020-02-16T08:35:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。