이 논문은 파레토 집합 학습(Pareto Set Learning, PSL) 문제에 대한 새로운 접근법을 제안한다. PSL은 신경망을 사용하여 선호 벡터와 파레토 최적 해 사이의 매핑을 학습하는 방법이다. 기존 PSL 방법은 선호 벡터를 균일하게 샘플링하지만, 이는 복잡한 파레토 전면에 대해 효과적이지 않다.
이 논문에서는 진화 알고리즘에서 영감을 얻어 진화적 선호 벡터 샘플링(Evolutionary Preference Sampling, EPS) 전략을 제안한다. EPS는 초기에 균일 샘플링을 수행하고, 이후 선호 벡터와 해당 목적 함수 값을 수집한다. 그 다음 이 데이터에서 우수한 개체를 선별하여 초기 집단을 구성한다. 이 집단은 교차와 돌연변이를 통해 다음 기간의 선호 벡터를 생성한다. 이러한 진화 과정을 통해 신경망 모델의 수렴 속도가 향상된다.
실험 결과, EPS 전략을 기존 PSL 알고리즘에 적용하면 대부분의 경우 수렴 속도가 향상되었다. 특히 불연속적이거나 퇴화된 파레토 전면을 가진 문제에서 EPS의 효과가 두드러졌다. 이는 선호 벡터 샘플링의 효율성이 중요한 이러한 문제 유형에서 EPS가 효과적임을 보여준다.
To Another Language
from source content
arxiv.org
Önemli Bilgiler Şuradan Elde Edildi
by Rongguang Ye... : arxiv.org 04-15-2024
https://arxiv.org/pdf/2404.08414.pdfDaha Derin Sorular