Core Concepts
Effiziente Optimierung von vielen Zielen mit diversen Lösungen durch das MosT-Framework.
Abstract
Das MosT-Framework zielt darauf ab, m Pareto-Lösungen zu finden, die diverse Trade-offs unter n Optimierungszielen erreichen. Es formuliert das Problem als bi-level Optimierung von gewichteten Zielen, wobei die Gewichte durch einen optimalen Transport bestimmt werden. Das Algorithmus konvergiert theoretisch zu m Pareto-Lösungen, indem es zwischen der Optimierung der gewichteten Ziele und dem optimalen Transport wechselt. MosT kann auf eine Vielzahl von Problemen angewendet werden, die das Training von m Modellen für n Benutzer, Domänen oder Kriterien beinhalten. Empirisch wurde beobachtet, dass MosT in Aufgaben wie föderiertem Lernen, Multi-Task-Lernen, Mischung von Prompt-Lernen, Fairness-Genauigkeits-Abwägungen und anderen einfacheren MOO-Benchmarks starke Baselines übertrifft.
Inhaltsverzeichnis
Einführung
Verwandte Arbeit
MosT: Many-Objective Multi-Solution Transport
Eigenschaften von MosT
Zuweisungsdynamik während des Trainings
MosT-Anwendungen
Federated Learning
Multi-Task-Lernen
Mischung von Prompt-Lernen
Schlussfolgerung und breitere Auswirkungen
Stats
MosT zielt darauf ab, m Pareto-Lösungen zu finden.
Das Framework formuliert das Problem als bi-level Optimierung.
Der Algorithmus konvergiert zu stationären Punkten in nicht-konvexen Fällen.
Quotes
"MosT zielt darauf ab, m diverse Lösungen auf der Pareto-Front zu finden."
"Der Algorithmus gewährleistet eine ausgewogene Verteilung der Ziele auf die Modelle."