xinyu zhang

Transformer模型TAMO在上下文中执行多目标优化

研究人员开发了TAMO，一种新颖的基于Transformer的策略，用于完全在上下文中进行多目标贝叶斯优化。该方法消除了每个任务的代理拟合和采集工程的需求，将提案时间显著缩短高达1000倍。TAMO通过强化学习进行预训练，以最大化累积超体积改进，使其能够在严格的评估预算下近似帕累托前沿并提高解决方案质量。该开发为科学发现的即插即用优化器开辟了道路。