标签
一篇新论文《Split the Differences, Pool the Rest: Provably Efficient Multi-Objective Imitation Learning》提出了MA-BC方法,该方法仅在观测到的专家动作不存在分歧时才汇集专家示范数据,并给出了在具有不同目标的专家处进行学习时样本复杂度的上界和下界。
EvoRank是一个LLM引导的进化系统,用于发现电子商务中的多目标排序学习管道,它展示了相对于基线的可迁移改进,并包含审计工具。
FAR-DPO 是一个可行性感知且稳健的直接偏好优化框架,通过使生成模型与结构和生物物理约束对齐,增强药物发现中的环肽设计,提高 PepGLAD 和 PepFlow 等基准测试的成功率。
SIGMA是一个用于交通信号控制的强化学习框架,它集成了大语言模型以实现动态目标自适应,在模拟中展示了交通吞吐量和应急响应的提升。
MINT 引入了最小选择偏好蒸馏,通过基于最弱目标对候选进行排名来平衡语言智能体对齐中的多个目标,显著减少不平衡。
本文介绍了Lexi-LowGLM,一种针对具有多个优先级目标的广义低秩矩阵老虎机的高效算法,利用在线牛顿更新来降低计算复杂度,并实现依赖于有效低秩维度的遗憾界。
本文介绍了 THV-UCB,一种用于带有板选择的多目标老虎机问题的算法,并建立了超体积遗憾的无间隙和依赖间隙的遗憾界。
本文提出了一种框架,用于自动优化基于LLM的对话推荐系统用户模拟器的提示,解决了正向偏差和行为多样性有限等问题。
本文引入了一种基于切比雪夫标量化的新颖偏好条件贝尔曼算子,用于计算多目标马尔可夫决策过程中的确定性帕累托最优策略,并证明了该算子的收敛性及其在捕获完整帕累托前沿方面的有效性。
提出一种多目标强化学习框架,结合语义嵌入与Pareto-DQN,在推荐中平衡参与度、多样性和公平性,缓解过滤气泡问题。
介绍了一种基于强化学习的整体数据调度器(HDS),该框架利用多目标奖励函数在LLM预训练过程中动态调整数据混合策略,使达到目标困惑度所需的迭代次数减少44%,并在MMLU上提升7.2%。
本文提出了一种面向锂生产多目标决策的POMDP框架,处理地质、需求与定价不确定性,以优化矿山开采及提取方法选择。该方法通过信念状态规划动态适应价格机制变化,优于基于人类启发式的方法。
CRAFT 是一种帕累托前沿提示优化器,通过使用 NSGA-II 和预算感知验证,在准确率-成本权衡前沿上维持多样化的提示种群,从而联合优化准确率与 token 成本,同时避免加权求和方法所导致的"标量化坍塌"问题。
介绍WeCon,一种用于多目标组合优化问题的权重条件神经求解器,其超体积与现有最优方法相当,同时推理时间减少40%。
本文介绍了 MOCI,这是一种新颖的框架,能够从强化学习中的异构专家演示中推断共享约束和个体偏好,在预测性能和计算效率方面均优于现有基线。