다중 다목적 최적화 문제에서 협업 파레토 집합 학습

파레토 집합 학습(PSL)은 다목적 최적화의 새로운 연구 분야로, 선호 벡터에서 파레토 최적 솔루션으로의 매핑을 학습하도록 신경망을 훈련하는 데 중점을 둡니다. 그러나 기존의 PSL 방법은 한 번에 단일 다목적 최적화 문제(MOP)에만 초점을 맞추고 있습니다. 여러 MOP에 직면했을 때 이러한 제한은 상당한 비효율로 이어질 뿐만 아니라 다양한 MOP 간의 잠재적인 시너지를 활용하지 못합니다. 본 논문에서는 협업 방식으로 여러 MOP의 파레토 집합을 동시에 학습하는 협업 파레토 집합 학습(CoPSL) 프레임워크를 제안합니다. CoPSL은 공유 및 MOP 전용 레이어로 구성된 아키텍처를 사용하여, 공유 레이어는 MOP 간의 공통 관계를 협업적으로 포착하는 것을 목표로 하고, MOP 전용 레이어는 이러한 관계를 처리하여 각 MOP에 대한 솔루션 집합을 생성합니다. 이러한 협업 접근 방식은 CoPSL이 다양한 MOP 간의 관계를 활용하면서 단일 실행에서 여러 MOP의 파레토 집합을 효율적으로 학습할 수 있도록 합니다. 이러한 관계를 더 깊이 이해하기 위해 우리는 실험을 통해 MOP 간의 공유 가능한 표현이 존재함을 입증합니다. 이러한 협업적으로 공유된 표현을 활용하는 것은 파레토 집합을 근사하는 능력을 효과적으로 향상시킬 수 있습니다. 광범위한 실험을 통해 CoPSL이 다양한 합성 및 실제 MOP에 대한 최근 방법들과 비교하여 파레토 집합을 근사하는 데 있어 뛰어난 효율성과 견고성을 강조합니다. 코드는 https://github.com/ckshang/CoPSL에서 이용 가능합니다.