論文の概要: SURFACE: Preference Distribution Matching on Pareto Fronts via Scalarization Steering
- arxiv url: http://arxiv.org/abs/2611.17484v1
- Date: Thu, 12 Nov 2026 20:14:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.253831
- Title: SURFACE: Preference Distribution Matching on Pareto Fronts via Scalarization Steering
- Title(参考訳): SURFACE: 拡張ステアリングによるパレートフロントでの優先度分布マッチング
- Abstract要約: 所望のPF分布に適合するスカラー化重みを適応的に更新するSURFACEを導入する。
複数のベンチマークによる実験では、確立されたベースラインと比較して目標質量バランスとPFカバレッジが改善された。
- 参考スコア(独自算出の注目度): 17.644671092252715
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Constructing a finite Pareto representation requires allocating a limited number of solutions across the Pareto front (PF). A desired preference distribution specifies this allocation by assigning more solutions to some PF regions and fewer to others. Scalarization generates Pareto solutions by varying objective weights and solving single-objective problems. However, a distribution of scalarization weights generally does not translate into the same distribution of Pareto solutions along the PF, because the weight-to-solution map is nonlinear and unknown in advance.To account for this distortion, we introduce SURFACE (Scalarization Updates for Redistributing Finite Approximations with Chart Estimation}), which adaptively updates scalarization weights to match a desired PF distribution. SURFACE estimates how each region of the weight grid corresponds to an area of the PF from the current scalarized solutions, then redistributes the weights accordingly. The method supports parallel, warm-started, inexact optimization with standard single-objective solvers. Theoretically, we establish that, under the stated regularity conditions, SURFACE achieves linear convergence of the preference distribution mismatch to a finite-resolution error floor of $\mathcal{O}(N^{-2/(M-1)})$, where $N$ is the number of adaptive weights and $M$ is the number of objectives. Empirically, experiments across multiple benchmarks demonstrate improved target-mass balance and PF coverage compared with established baselines.
- Abstract(参考訳): 有限パレート表現を構成するためには、パレートフロント(PF)全体にわたって限られた数の解を割り当てる必要がある。
所望の選好分布は、いくつかのPF領域により多くの解を割り当て、他の領域に少なくなることで、この割当を規定する。
スケーラビリティは、客観重みの変化と単目的問題の解決によってParetoソリューションを生成する。
しかし,この歪みを考慮に入れ,SURFACE (Scalarization Updates for Redistributing Finite Approximations with Chart Estimation})を導入し,スカラー化重みを適応的に更新し,所望のPF分布に適合させる。
SURFACEは、重みグリッドの各領域が現在のスカラー化溶液からPFの領域とどのように対応するかを推定し、それに従って重みを再分割する。
この方法は、標準の単目的解法を用いて、並列でウォームスタートした不正確な最適化をサポートする。
理論的には、正規性条件下では、SURFACE は選択分布ミスマッチの線形収束を $\mathcal{O}(N^{-2/(M-1)})$ の有限分解能誤差フロアに達成し、$N$ は適応重みの数であり、$M$ は目的数である。
実験的に、複数のベンチマークによる実験は、確立されたベースラインと比較して、目標質量バランスとPFカバレッジが改善されたことを示している。
関連論文リスト
- Projective Normal Fields: A Convex Optimization Method for Constructing Smooth UDFs [68.08537394769392]
本稿では,原点雲からの距離場(UDF)の滑らかな近似を構築するためのフレームワークを提案する。
局所幾何推定をスカラーフィールド構造から分離することにより、PNFは非微分可能なUDFを直接適合させない。
論文 参考訳(メタデータ) (2026-09-28T09:55:50Z) - ITSPACE: Monotone Gaussian Optimal Transport Updates [0.04687712818521871]
共分散行列は、ドメイン適応やガウス埋め込みを含む多くの機械学習パイプラインにおける特徴分布のコンパクト記述子として機能する。
平方根分解における閉形式更新により,この正確なBW目標を直接最適化する最大化最小化手法であるITSPACEを提案する。
厳密な算術では、それぞれがBW目標に対する十分な減少不等式を満たすが、不正確な極性計算では、正確な降下から逸脱を制御する明示的な証明ギャップ境界が提供される。
論文 参考訳(メタデータ) (2026-06-29T16:29:19Z) - Quantized Stochastic Primal-Dual Methods for Distributed Optimization under Relaxed Global Geometry [2.15242029196761]
ランダムな(偏りのない)量子化によってモデル化された勾配と有限ビット通信を用いた分散最適化について検討する。
制限されたセカント不等式 (RSI) の下では、勾配ノイズ、量子化歪み、ネットワーク接続性によって決定される明示的な近傍への線形の縮約が得られる。
PolyakLojasiewicz (PL) の不等式では、同じ量子化環境で線形-近傍収束が得られる。
論文 参考訳(メタデータ) (2026-06-09T18:18:41Z) - A Note on Stability for Orthogonalized Matrix Momentum with Client Sampling [7.035974899001363]
我々は, 隣接再帰安定性と重み付き濃度ステップから, 有限ラウンド上尾保証を導出した。
一次元の反例は、なぜギャップ、平滑化、あるいは正則性条件が必要なのかを示す。
論文 参考訳(メタデータ) (2026-06-01T05:36:26Z) - SURF: Steering the Scalarization Weight to Uniformly Traverse the Pareto Front [6.196072730297927]
その結果, SURF はベースラインよりも均一な PF カバレッジを効果的に達成できることが示唆された。
バンディット,多目的ジムナジウム,多目的LDMアライメントの実験により,SURFがベースラインよりも均一なPFカバレッジを効率的に達成できることが示されている。
論文 参考訳(メタデータ) (2026-05-20T02:09:32Z) - Regularized Online RLHF with Generalized Bilinear Preferences [68.44113000390544]
一般的な嗜好を伴う文脈的オンラインRLHFの問題を考える。
一般化された双線形選好モデルを用いて、低ランクなスキュー対称行列による選好を捉える。
グリーディポリシーの双対ギャップは推定誤差の正方形によって有界であることを示す。
論文 参考訳(メタデータ) (2026-02-26T15:27:53Z) - Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。
我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。
重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
論文 参考訳(メタデータ) (2026-02-24T05:32:03Z) - Entropy-Based Dimension-Free Convergence and Loss-Adaptive Schedules for Diffusion Models [3.2091923314854416]
学習スコア(またはデノイザー)によって駆動される逆時間ダイナミクスを離散化することで拡散生成モデルがサンプルを合成する
我々は、幾何学的仮定を避けるために、次元自由収束に対する情報理論的アプローチを開発する。
また、逆SDEの効率的な離散化のための損失適応スケジュール(LAS)を提案し、これは軽量であり、訓練損失のみに依存している。
論文 参考訳(メタデータ) (2026-01-29T16:28:21Z) - Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。
非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
論文 参考訳(メタデータ) (2024-08-20T19:06:02Z) - Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。
本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文 参考訳(メタデータ) (2023-06-27T08:15:28Z) - Optimal Scaling for Locally Balanced Proposals in Discrete Spaces [65.14092237705476]
離散空間におけるMetropolis-Hastings (M-H) アルゴリズムの効率は、対象分布に依存しない受容率によって特徴づけられることを示す。
最適受容率の知識は、連続空間におけるステップサイズ制御と直接的に類似して、離散空間における提案分布の近傍サイズを自動的に調整することを可能にする。
論文 参考訳(メタデータ) (2022-09-16T22:09:53Z)
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。