IEEE TII，学习为多目标深度学习生成偏好

1.摘要多目标深度学习需要同时优化相互冲突的目标例如多任务学习中的任务损失或神经多目标组合优化中的多个路径、容量和收益目标。Pareto 前沿学习Pareto Front LearningPFL通过把偏好向量输入一个条件模型在一次训练后生成连续的折中解但现有方法通常从均匀分布或 Dirichlet 分布采样偏好忽略偏好到目标解的非线性映射因而可能在 Pareto 前沿上产生密度不均的解。论文提出轻量且与模型无关的 Preference Distribution LearningPDL训练一个生成器把均匀偏好变换为经过调整的偏好使对应解在目标空间中更加均匀。PDL 既可用于已经训练好的 PFL 模型也可嵌入 PFL 训练过程以减少拥挤区域的冗余采样。2.研究背景与相关工作见个人简介