arXiv cs.AI· Yiming Yao, Liang Zhao, Qingfu Zhang·· 2 天前AI 评分22
ICPSL：从有限离线数据进行上下文偏好条件化 Pareto 集学习
In-Context Preference-Conditioned Pareto Set Learning from Limited Offline Data
AI 导读
研究者提出上下文偏好条件化 Pareto 集学习框架 ICPSL，通过在大量合成先验数据上预训练基础式超网络，使其在给定未见问题的离线观测后，单次前向传播即可生成该问题的偏好条件化 Pareto 解模型。生成的模型可复用于任意偏好预测解，无需针对具体问题训练或逐偏好搜索，在合成与真实问题上均生成高质量 Pareto 解并大幅加速问题特定解模型的构建。
正文 · AI 翻译
摘要：多目标优化涉及对相互冲突目标的多样化偏好。与返回一组有限的权衡解不同，偏好条件化帕累托集学习旨在将指定的偏好直接映射到相应的帕累托最优解。然而在许多现实场景中，优化必须在离线条件下进行，无法进一步评估目标，仅留下一个有限且稀疏覆盖决策空间和目标空间的静态数据集。现有方法要么针对每个偏好分别优化，要么训练特定问题的帕累托解模型，需要在偏好间反复搜索或在问题间反复训练。我们提出了上下文偏好条件化帕累托集学习（ICPSL），一个摊销了偏好维度解搜索和问题特定模型构建的框架。ICPSL 在大量多样的合成先验数据上预训练一个基础式超网络。给定一个未见问题的离线观测，预训练的超网络通过单次前向传播学习生成一个特定问题、偏好条件化的帕累托解模型。生成的模型随后可被复用来预测任意偏好的解，无需问题特定训练或偏好维度搜索。在合成和真实问题上的实验表明，ICPSL 能生成高质量的帕累托解，同时在问题特定解模型构建上提供了显著的加速。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.21736 [cs.AI] |
| （或 arXiv:2610.21736v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21736 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Yiming Yao [查看邮箱]
[v1]
2026年10月15日星期四 11:54:43 UTC（237 KB）
来源：arXiv cs.AI · arxiv.org