이 논문에서는 다중 다목적 최적화 문제(MOP)를 동시에 처리하기 위한 협력적 파레토 집합 학습(CoPSL) 프레임워크를 제안한다. CoPSL은 공유 레이어와 문제별 레이어로 구성된 아키텍처를 사용한다.
공유 레이어는 다양한 MOP 간 공통 관계를 포착하는 것을 목표로 하며, 문제별 레이어는 이러한 관계를 활용하여 각 MOP의 파레토 집합을 생성한다. 이러한 협력적 접근 방식을 통해 CoPSL은 단일 실행에서 다중 MOP의 파레토 집합을 효율적으로 학습할 수 있다.
실험을 통해 CoPSL이 다양한 합성 및 실제 세계 MOP에서 기존 접근 방식보다 효율성과 강건성이 우수함을 입증한다. 또한 CoPSL이 MOP 간 공유 표현을 효과적으로 학습할 수 있음을 확인했다. 이러한 공유 표현을 활용하면 파레토 집합을 더 정확하게 근사할 수 있다.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Chikai Shang... at arxiv.org 04-02-2024
https://arxiv.org/pdf/2404.01224.pdfDeeper Inquiries