CoAction：タスク間相関を考慮したパレート集合学習

概要: パレート集合学習（PSL）は、多目的最適化における新興のパラダイムであり、嗜好（好み）のベクトルをパレート最適解へ写像するようにニューラルネットワークを学習させます。しかし、既存のPSL手法は主として、単一の多目的最適化問題を1つずつ解くことに焦点を当てています。この制約は、多目的マルチタスク最適化の状況で、各タスクごとに別個のモデルを必要とするため計算コストを増大させるだけでなく、タスク間の相関を活用できないという問題も引き起こします。そこで本研究では、タスク間相関に配慮したパレート集合学習（Cross-tAsk correlation-aware Pareto Set Learning; CoAction）フレームワークを提案します。これは、複数のタスクを同時に扱うために、タスク対応（タスク認識）型トランスフォーマを活用します。具体的には、タスクごとの埋め込み（embedding）ベクトルを各タスクに割り当てることで、モデルはタスクを効果的に区別しつつ、それらの間での知識共有を促進します。提案手法では、複雑なタスク依存関係を捉えるために自己注意（self-attention）機構を活用できることから、Transformerエンコーダを基盤（バックボーン）アーキテクチャとして用います。提案アプローチは、ベンチマーク問題と実世界の応用の両方を含む包括的なマルチタスクのテストスイートで評価され、Hypervolume、Range、Sparsityにおいて有効性と競争力のある性能を示します。