multi-objective optimization
PulseAugur coverage of multi-objective optimization — every cluster mentioning multi-objective optimization across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新技术实现去中心化协同持续学习
研究人员开发了一种新的去中心化持续学习技术，将其构建为一个多目标优化问题。该方法使智能体在学习新任务的同时保留先前任务的知识，解决了稳定性-可塑性困境。智能体使用本地内存缓冲区，并通过通信图与邻居交换信息，将过去的数据纳入学习过程。理论分析和模拟表明，这种协同方法通过减少遗忘和提高网络在任务间的平均均方偏差来提升性能。
-
新的SIMS方法通过解决尺度不变性问题来改进多任务学习
研究人员推出了一种新颖的多任务学习（MTL）方法——基于尺度不变性优值函数的标量化（SIMS）。SIMS解决了现有基于优值函数的标量化方法中存在的尺度敏感性问题，这种问题可能不公平地偏向于幅度较大的目标。通过采用对数变换，SIMS确保优化过程对于不同任务损失的相对尺度具有不变性。理论分析证实，这种变换保持了弱帕累托最优性，并允许使用可控近似误差的光滑替代函数。在各种多任务基准测试中的实证结果表明，SIMS的性能持续超越当前标量化技术，…
-
ORACLE框架使用LLM和RL进行多目标模拟电路设计
研究人员开发了ORACLE，一个使用多目标强化学习优化模拟电路设计的新框架。与先前将多个目标简化为单一奖励的方法不同，ORACLE采用向量值学习和偏好感知条件化来准确捕捉帕累托权衡。这使得单个训练模型能够在不重新训练的情况下生成多样化设计，并由偏好向量引导。该系统还整合了大型语言模型来过滤次优动作，显著缩短了运行时间并改善了设计规格。
-
新的LLM路由框架使用在线线性规划优化性能 · 跟踪2个来源
已开发出一种新的在线线性规划框架，用于优化大型语言模型（LLM）服务的路由。该方法采用多目标优化策略来平衡延迟、吞吐量和其他服务级别目标（SLO），其性能优于基于启发式的方法。该系统专为毫秒级决策而设计，并在集成到模拟器后在各种性能指标上显示出显著的改进。
-
新方法使用盒子分解计算积分R2指标
研究人员开发了一种计算连续积分R2指标的新方法，这是经典R2指标在多目标优化和数据库选择中的一种改进。该技术采用透视映射将R2计算转化为在锚定轴对齐盒子并集上的积分。该方法通过调整现有超体积算法以计算加权盒子积分，从而允许重用它们，提供了O(2^N M)的输出敏感开销，其中N为目标数量，M为盒子分解数量。计算复杂度随目标数量而变化，对于N=2,3为O(n log n)，对于N=4为O(n^2)，而对于可变数量的目标，精确计算是#P-hard的。
-
新方法使用进化算法优化资源交接策略
研究人员开发了一种新方法，通过创建资源特定的交接策略来优化业务流程中的资源分配。该方法结合了多智能体系统模拟器和多目标进化算法来生成帕累托最优策略。在合成数据和真实世界数据上进行的实验表明，与现有方法相比，成本平均降低了 37%，等待时间缩短了 58%，取得了显著的改进。
-
新方法通过集成模型和最坏情况分布分析增强鲁棒优化
研究人员开发了用于分布鲁棒优化（一种考虑数据分布不确定性的技术）的新方法。一种方法是集成分布鲁棒贝叶斯优化（Ensemble Distributionally Robust Bayesian Optimization），它使用模型集成来提高鲁棒性并实现理论上的次线性遗憾界限。另一篇论文介绍了分布鲁棒多目标优化（DR-MOO），其算法在最坏情况分布下最小化目标，从而提高了样本复杂度。此外，还提出了一个用于分布鲁棒学习的框架，以优化一阶方…