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 Learning，PFL）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 Learning（PDL），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