論文の概要: In-Context Preference-Conditioned Pareto Set Learning from Limited Offline Data

• arxiv url: http://arxiv.org/abs/2610.21736v1
• Date: Thu, 15 Oct 2026 11:54:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.056573
• Title: In-Context Preference-Conditioned Pareto Set Learning from Limited Offline Data
• Title（参考訳）: 限定オフラインデータを用いた文脈制約付きパレートセット学習
• Abstract要約: In-context preference-conditioned Pareto set learning (ICPSL)を導入する。 ICPSLは、大規模で多様な合成前のデータに対して、基礎的なスタイルのハイパーネットワークを事前訓練する。 生成されたモデルは、問題固有のトレーニングや好みの検索なしに、任意の好みのソリューションを予測するために再利用することができる。
• 参考スコア（独自算出の注目度）: 18.080159782043456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-objective optimization involves diverse preferences over conflicting objectives. Rather than returning a finite set of trade-off solutions, preference-conditioned Pareto set learning seeks to map a specified preference directly to a corresponding Pareto optimal solution. Yet in many real-world scenarios, optimization must proceed offline without further objective evaluations, leaving only a limited static dataset that sparsely covers the decision and objective spaces. Existing methods either optimize separately for each preference or train a problem-specific Pareto solution model, requiring repeated search across preferences or repeated training across problems. We introduce in-context preference-conditioned Pareto set learning (ICPSL), a framework that amortizes both preference-wise solution search and problem-specific model construction. ICPSL pretrains a foundation-style hypernetwork on a large and diverse set of synthetic prior data. Given the offline observations of an unseen problem, the pretrained hypernetwork learns to generate a problem-specific, preference-conditioned Pareto solution model in a single forward pass. The generated model can then be reused to predict solutions for arbitrary preferences without problem-specific training or preference-wise search. Experiments on synthetic and real-world problems show that ICPSL produces high-quality Pareto solutions while providing substantial speedups in problem-specific solution-model construction.
• Abstract（参考訳）: 多目的最適化は、矛盾する目的よりも多様な選好を含む。 有限のトレードオフ解を返すのではなく、選好条件付きパレート集合学習は、指定された選好を対応するパレート最適解に直接マッピングしようとする。 しかし、多くの現実世界のシナリオでは、最適化はさらなる客観的評価なしにオフラインで進めなければならない。 既存の方法は、それぞれの好みに対して個別に最適化するか、問題固有のParetoソリューションモデルをトレーニングし、好みを越えて繰り返し検索するか、問題を越えて繰り返しトレーニングする必要がある。 提案手法は,優先性のある解探索と問題固有モデル構築の両方を記憶するフレームワークである。 ICPSLは、大規模で多様な合成前のデータに対して、基礎的なスタイルのハイパーネットワークを事前訓練する。 予期せぬ問題のオフライン観測から、事前訓練されたハイパーネットワークは、問題固有の優先条件のPareto解モデルを単一のフォワードパスで生成することを学ぶ。 生成されたモデルは、問題固有のトレーニングや好みの検索なしに、任意の好みのソリューションを予測するために再利用することができる。 合成および実世界の問題に対する実験により、ICPSLは問題固有の解モデル構築においてかなりのスピードアップを提供しながら、高品質なパレート解を生成することが示された。

関連論文リスト

• Diversity-Driven Offline Multi-Objective Optimization via Nested Pareto Set Learning [11.1141573484419]
  多目的最適化(MOO)は、複数の目的を含む複雑な最適化問題を解くための強力なアプローチとして登場した。 本稿では多様性駆動型オフライン多目的最適化(DOMOO)を提案する。 合成および実世界のベンチマークの実験は、DOMOOが収束と多様性の両方においてタスクの平均ランクを達成していることを示している。
  論文  参考訳（メタデータ） (2026-06-13T05:09:25Z)
• PASTA: A Unified Framework for Offline Assortment Learning [22.89627688628713]
  オフラインおよびデータ駆動環境でのアソシエーション最適化の幅広いクラスについて検討する。 このような問題において、企業は、基礎となる選択モデルに関する事前知識を欠き、過去の顧客選択データに基づいて最適な選択肢を決定することを目的としている。 我々は、悲観主義の原理を利用して、一般的な選択モデルの下で最適な予測収益を達成する新しい悲観的最適化フレームワークを導入する。
  論文  参考訳（メタデータ） (2025-10-02T05:47:56Z)
• Preference-Guided Diffusion for Multi-Objective Offline Optimization [64.08326521234228]
  オフライン多目的最適化のための優先誘導拡散モデルを提案する。 我々の指導は、ある設計が他の設計を支配する確率を予測するために訓練された選好モデルである。 本結果は,多種多様な高品質な解を生成する上での分類器誘導拡散モデルの有効性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-03-21T16:49:38Z)
• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• 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)
• Rewards-in-Context: Multi-objective Alignment of Foundation Models with Dynamic Preference Adjustment [46.44464839353993]
  リワード・イン・コンテキスト(Rewards-in-Context, RiC)を導入する。 RiCは単一のファンデーションモデルの教師付き微調整のみを必要とし、推論時間中にユーザの好みを動的に調整する。
  論文  参考訳（メタデータ） (2024-02-15T18:58:31Z)
• 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)

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。