Pareto frontier
PulseAugur coverage of Pareto frontier — every cluster mentioning Pareto frontier across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
SURF方法改进多目标优化中的帕累托前沿覆盖率
研究人员开发了一种名为SURF（Sampling Uniformly along the PaReto Front）的新方法，以应对多目标优化中的挑战。SURF旨在生成具有帕累托前沿（Pareto front）均匀覆盖率的多样化解决方案，而这是标准权重采样技术通常无法达到的目标。该方法分析了标量化权重与解决方案覆盖率之间的几何关系，并提出了一条选择权重的原则性规则，以确保均匀分布。SURF在包括多目标LLM对齐在内的各种应用中，已成功…
-
新分析量化了MOEA对多值决策变量的运行时
研究人员发布了对处理具有两个以上可能值的决策变量的多目标进化算法（MOEA）的新的数学分析。该研究侧重于SEMO算法，并为计算r值基准问题的帕累托前沿所需的函数评估次数提供了上限和下限。研究结果表明，与二元变量相比，这些经典的MOEA在处理多值变量时面临的挑战并没有显著更大。
-
新的非光滑集梯度上升方法优化多目标函数
研究人员开发了一种新颖的非光滑集梯度上升方法来改进多目标优化。该技术通过优化分层集指标来完善有限逼近集，这些指标在连续的非支配层上进行评估并与递减权重相结合。该方法为非支配点和支配点都提供了上升方向，防止了更深层掩盖主前沿的恶化。该方法通过数值示例和可复现的代码详细介绍了二维和三维目标场景。
-
新框架描绘算法公平性与性能的权衡曲线
研究人员开发了一个框架，用于理解算法决策系统中模型性能与公平性之间的权衡。他们的工作将决策过程概念化为一个多目标优化问题，同时考虑了决策者效用和群体公平性。研究结果表明，代表最优权衡的帕累托前沿可能涉及确定性的、特定群体的阈值规则，并且在某些情况下，根据所使用的公平性指标，甚至可能有利于成功概率较低的个体。这些结果独立于具体的算法方法，并为评估和比较算法决策系统提供了原则性基础。