論文の概要: FERERO: A Flexible Framework for Preference-Guided Multi-Objective Learning
- arxiv url: http://arxiv.org/abs/2412.01773v1
- Date: Mon, 02 Dec 2024 18:21:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:43:25.994029
- Title: FERERO: A Flexible Framework for Preference-Guided Multi-Objective Learning
- Title（参考訳）: ferERO: 優先指導型多目的学習のための柔軟なフレームワーク
- Authors: Lisha Chen, AFM Saif, Yanning Shen, Tianyi Chen,
- Abstract要約: pREfeRence-guided Multi-Objective Learning (FERERO) のためのフレキシブルフラムワークを提案する。
この問題を解決するために、収束アルゴリズムは単一ループと原始変種の両方で開発される。
複数のベンチマーク実験により、提案手法は優先誘導最適解の探索に非常に適していることが示された。
- 参考スコア（独自算出の注目度）: 41.95837632934815
- License:
- Abstract: Finding specific preference-guided Pareto solutions that represent different trade-offs among multiple objectives is critical yet challenging in multi-objective problems. Existing methods are restrictive in preference definitions and/or their theoretical guarantees. In this work, we introduce a Flexible framEwork for pREfeRence-guided multi-Objective learning (FERERO) by casting it as a constrained vector optimization problem. Specifically, two types of preferences are incorporated into this formulation -- the relative preference defined by the partial ordering induced by a polyhedral cone, and the absolute preference defined by constraints that are linear functions of the objectives. To solve this problem, convergent algorithms are developed with both single-loop and stochastic variants. Notably, this is the first single-loop primal algorithm for constrained vector optimization to our knowledge. The proposed algorithms adaptively adjust to both constraint and objective values, eliminating the need to solve different subproblems at different stages of constraint satisfaction. Experiments on multiple benchmarks demonstrate the proposed method is very competitive in finding preference-guided optimal solutions. Code is available at https://github.com/lisha-chen/FERERO/.
- Abstract（参考訳）: 複数の目的の異なるトレードオフを表す特定の選好誘導型パレートソリューションを見つけることは、多目的問題において非常に難しい。
既存の方法は、好みの定義や理論上の保証に制限がある。
本研究では,pREfeRence-guided Multi-Objective Learning (FERERO) のためのフレキシブルフラムEworkを導入し,制約付きベクトル最適化問題として論じる。
具体的には、この定式化には2種類の選好が組み込まれ、これは多面体錐によって誘導される部分順序付けによって定義される相対的選好と、目的物の線型関数である制約によって定義される絶対的選好である。
この問題を解決するために、収束アルゴリズムは単一ループと確率的不変量の両方で開発される。
特に、これは私たちの知識に対する制約付きベクトル最適化のための最初の単一ループプライマリアルゴリズムである。
提案アルゴリズムは制約値と目的値の両方に適応的に適応的に適応し、制約満足度の異なる段階で異なるサブプロブレムを解く必要がなくなる。
複数のベンチマーク実験により、提案手法は優先誘導最適解の探索に非常に適していることが示された。
コードはhttps://github.com/lisha-chen/FERERO/.comで入手できる。
関連論文リスト
- Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。
本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。
提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
論文 参考訳（メタデータ） (2024-11-04T15:17:19Z) - Preference-Optimized Pareto Set Learning for Blackbox Optimization [1.9628841617148691]
すべての目的を同時に最適化できる単一のソリューションはありません。
典型的なMOO問題では、目的間の好みを交換する最適解(パレート集合)を見つけることが目的である。
我々の定式化は、例えば微分可能なクロスエントロピー法によって解決できる二段階最適化問題につながる。
論文 参考訳（メタデータ） (2024-08-19T13:23:07Z) - UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [75.11267478778295]
マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。
重みベクトル w でパラメータ化される線型効用関数の場合に焦点を当てる。
学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
論文 参考訳（メタデータ） (2024-05-01T09:34:42Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-10-08T23:39:38Z) - Optimization on Pareto sets: On a theory of multi-objective optimization [7.907376287850398]
多目的最適化では、単一の決定ベクトルは、多くの目的間のトレードオフのバランスをとる必要がある。
我々は,制約セットの最適化を目標とする,より現実的に重要な最適化問題を考える。
論文 参考訳（メタデータ） (2023-08-04T05:55:52Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳（メタデータ） (2022-01-28T05:53:28Z) - Pareto Navigation Gradient Descent: a First-Order Algorithm for
Optimization in Pareto Set [17.617944390196286]
マルチタスク学習のような現代の機械学習アプリケーションは、複数の目的関数をトレードオフするために最適なモデルパラメータを見つける必要がある。
勾配情報のみを用いてOPT-in-Paretoを近似的に解く1次アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-10-17T04:07:04Z) - On Constraints in First-Order Optimization: A View from Non-Smooth
Dynamical Systems [99.59934203759754]
本稿では,スムーズな制約付き最適化のための一階法について紹介する。
提案手法の2つの特徴は、実現可能な集合全体の投影や最適化が避けられることである。
結果として得られるアルゴリズムの手順は、制約が非線形であっても簡単に実装できる。
論文 参考訳（メタデータ） (2021-07-17T11:45:13Z) - A Hybrid 2-stage Neural Optimization for Pareto Front Extraction [3.918940900258555]
最適なトレードオフソリューションに対する大きな障害は、それらが必ずしも互いに収束しないことです。
正確かつ費用対効果の高い二段階アプローチを提案する。
論文 参考訳（メタデータ） (2021-01-27T20:56:19Z) - Ensuring smoothly navigable approximation sets by Bezier curve
parameterizations in evolutionary bi-objective optimization -- applied to
brachytherapy treatment planning for prostate cancer [0.0]
決定空間における滑らかなベジエ曲線として近似集合をパラメータ化する場合について検討する。
高品質な近似集合をBezEAで得ることができ、時には支配とUHVに基づくアルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-06-11T13:57:33Z)
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。