Buchumschlag

Common pitfalls to avoid while using multiobjective optimization in machine learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Akhter, Junaid, Fährmann, Paul David, Sonntag, Konstantin, Peitz, Sebastian, Schwietert, Daniel
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Optimization and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A multiobjective continuation method to compute the regularization path of deep neural networks
von: Amakor, Augustina C., et al.
Veröffentlicht: (2023)

Multi-objective Deep Learning: Taxonomy and Survey of the State of the Art
von: Peitz, Sebastian, et al.
Veröffentlicht: (2024)

qPOTS: Efficient batch multiobjective Bayesian optimization via Pareto optimal Thompson sampling
von: Renganathan, Ashwin, et al.
Veröffentlicht: (2023)

A learning-based approach to stochastic optimal control under reach-avoid constraint
von: Ni, Tingting, et al.
Veröffentlicht: (2024)

Topology optimization of periodic lattice structures for specified mechanical properties using machine learning considering member connectivity
von: Matsuoka, Tomoya, et al.
Veröffentlicht: (2024)

Multi-Objective Optimization for Sparse Deep Multi-Task Learning
von: Hotegni, S. S., et al.
Veröffentlicht: (2023)

Surrogate-assisted multi-objective design of complex multibody systems
von: Amakor, Augustina C., et al.
Veröffentlicht: (2024)

Fast Convergence of Inertial Multiobjective Gradient-like Systems with Asymptotic Vanishing Damping
von: Sonntag, Konstantin, et al.
Veröffentlicht: (2023)

Apprenticeship learning with prior beliefs using inverse optimization
von: Junca, Mauricio, et al.
Veröffentlicht: (2025)

Early predicting of hospital admission using machine learning algorithms: Priority queues approach
von: Antczak, Jakub, et al.
Veröffentlicht: (2026)

Data augmentation for machine learning of chemical process flowsheets
von: Balhorn, Lukas Schulze, et al.
Veröffentlicht: (2023)

On characterizing optimal learning trajectories in a class of learning problems
von: Befekadu, Getachew K
Veröffentlicht: (2025)

Distributed optimization: designed for federated learning
von: Guo, Wenyou, et al.
Veröffentlicht: (2025)

PADAM: Parallel averaged Adam reduces the error for stochastic optimization in scientific machine learning
von: Jentzen, Arnulf, et al.
Veröffentlicht: (2025)

A survey on secure decentralized optimization and learning
von: Liu, Changxin, et al.
Veröffentlicht: (2024)

Robust support vector machines via conic optimization
von: Cepeda, Valentina, et al.
Veröffentlicht: (2024)

Revealing design archetypes and flexibility in e-molecule import pathways using Modeling to Generate Alternatives and interpretable machine learning
von: Kchaou, Mahdi, et al.
Veröffentlicht: (2025)

The impact of machine learning forecasting on strategic decision-making for Bike Sharing Systems
von: Angelelli, Enrico, et al.
Veröffentlicht: (2026)

Inertial dynamics with vanishing Tikhonov regularization for multiobjective optimization
von: Bot, Radu Ioan, et al.
Veröffentlicht: (2024)

Stochastic set-valued optimization and its application to robust learning
von: Giovannelli, Tommaso, et al.
Veröffentlicht: (2026)

Leveraging Hamilton-Jacobi PDEs with time-dependent Hamiltonians for continual scientific machine learning
von: Chen, Paula, et al.
Veröffentlicht: (2023)

Exploring the non-convexity in machine learning using quantum-inspired optimization
von: Kumar, Kandula Eswara Sai, et al.
Veröffentlicht: (2026)

A learning-based mathematical programming formulation for the automatic configuration of optimization solvers
von: Iommazzo, Gabriele, et al.
Veröffentlicht: (2024)

An adaptively inexact first-order method for bilevel optimization with application to hyperparameter learning
von: Salehi, Mohammad Sadegh, et al.
Veröffentlicht: (2023)

On the approximation error for approximating convex bodies using multiobjective optimization
von: Löhne, Andreas, et al.
Veröffentlicht: (2021)

Creating walls to avoid unwanted points in root finding and optimization
von: Truong, Tuyen Trung
Veröffentlicht: (2023)

Adaptive multi-gradient methods for quasiconvex vector optimization and applications to multi-task learning
von: Minh, Nguyen Anh, et al.
Veröffentlicht: (2024)

Bayesian optimization for mixed variables using an adaptive dimension reduction process: applications to aircraft design
von: Saves, Paul, et al.
Veröffentlicht: (2025)

Task-optimal data-driven surrogate models for eNMPC via differentiable simulation and optimization
von: Mayfrank, Daniel, et al.
Veröffentlicht: (2024)

PolyFormer: learning efficient reformulations for scalable optimization under complex physical constraints
von: Wen, Yilin, et al.
Veröffentlicht: (2026)

A note on convergence of Wasserstein policy optimization
von: Šiška, David, et al.
Veröffentlicht: (2026)

An analysis of optimization problems involving ReLU neural networks
von: Plate, Christoph, et al.
Veröffentlicht: (2025)

Manifold learning and optimization using tangent space proxies
von: Robinett, Ryan A., et al.
Veröffentlicht: (2025)

A successive approximation method in functional spaces for hierarchical optimal control problems and its application to learning
von: Befekadu, Getachew K.
Veröffentlicht: (2024)

Surrogate-based optimization of system architectures subject to hidden constraints
von: Bussemaker, Jasper, et al.
Veröffentlicht: (2025)

Learning to accelerate distributed ADMM using graph neural networks
von: Doerks, Henri, et al.
Veröffentlicht: (2025)

On improving generalization in a class of learning problems with the method of small parameters for weakly-controlled optimal gradient systems
von: Befekadu, Getachew K.
Veröffentlicht: (2024)

A Descent Method for Nonsmooth Multiobjective Optimization in Hilbert Spaces
von: Sonntag, Konstantin, et al.
Veröffentlicht: (2024)

Iteratively reweighted kernel machines efficiently learn sparse functions
von: Zhu, Libin, et al.
Veröffentlicht: (2025)

DoWG Unleashed: An Efficient Universal Parameter-Free Gradient Descent Method
von: Khaled, Ahmed, et al.
Veröffentlicht: (2023)