研究人员开发了一种使用生成模型（特别是扩散模型）进行离线多目标优化（MOO）的新颖方法。该方法不修改每个采样步骤，而是专注于引导初始噪声，以高效地将模型导向帕累托前沿。该技术在 Off-MOO-Bench 数据集上进行了测试，识别出噪声空间中对目标权衡有显著影响的关键方向。通过使用递归特征机（Recursive Feature Machine）为每个任务估计一次这些方向，该方法与现有的生成方法相比，实现了更优的性能和更低的采样成本。 AI
影响 这项研究可能带来更高效的训练和生成模型在复杂优化任务中更好的性能。
排序理由 该集群包含一篇研究论文，详细介绍了一种使用生成模型进行离线多目标优化（MOO）的新方法。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2609.38920v1 Announce Type: new Abstract: Offline multi-objective optimization (MOO) seeks solutions with better objective trade-offs using only a fixed dataset, without querying the objectives. Diffusion models trained on such data have emerged as a promising approach, but…
Offline multi-objective optimization (MOO) seeks solutions with better objective trade-offs using only a fixed dataset, without querying the objectives. Diffusion models trained on such data have emerged as a promising approach, but their samples are not inherently better than th…