帕累托最优

帕累托最优是一个很有趣的方法,你可以用它来做深度学习的多目标任务优化,也可以用于对比多个模型的性能。

详解:多目标优化之帕累托最优 - 知乎 (zhihu.com)

一、模型评价

上图所示,有ABCD四个系统,稳定性和准确性是评价系统性能的指标。这是很明显的,D在所有指标上都完全优于A;C稳定性强于A,但准确性弱于A;B完全弱于A。

用帕累托最优理论来解释,即D支配A,C无差别于A,B被A支配。

在模型对比评价中,A是对比模型(sota),我们希望提出的模型尽量支配A,即出现在橘红色区域。但实际上,提出的模型多半出现在绿色区域,也就是无差别于A,这也是可以接受的。不能接受的是,模型出现在蓝色区域,这说明模型被A支配。

综上,提出的模型应当尽可能支配SOTA,退而求其次,应当无差别于SOTA。

二、多目标任务优化

             
图1
图2
图1是f1、f2在解空间上的损失,可以看到没有办法取到一个解使得f1、f2都最小。

此时,若能得到帕累托最优解集,从解集中找到合适的解,也是可以接受的。

 

图2给出了帕累托最前沿,也就是f1、f2的帕累托最优。在可行区域中,没有优于帕累托前沿的解。

而且想要支配帕累托前沿是很难的,下图所示,只有解出现在橘色的这样一个小区域,才能支配帕累托前沿,即支配所有的帕累托最优解。

三、检验学习成果的测验

灰蓝色区域是所有可行区域,f1和f2是优化目标,希望能够最小化这两个目标,请在图中给出帕累托前沿。

 

posted @ 2023-05-25 17:32  澳大利亚树袋熊  阅读(527)  评论(0编辑  收藏  举报