Buchumschlag

Multi-objective Deep Learning: Taxonomy and Survey of the State of the Art

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Peitz, Sebastian, Hotegni, Sedjro Salomon
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

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

Enhancing Adversarial Robustness through Multi-Objective Representation Learning
von: Hotegni, Sedjro Salomon, et al.
Veröffentlicht: (2024)

SPREAD: Sampling-based Pareto front Refinement via Efficient Adaptive Diffusion
von: Hotegni, Sedjro Salomon, et al.
Veröffentlicht: (2025)

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

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

Common pitfalls to avoid while using multiobjective optimization in machine learning
von: Akhter, Junaid, et al.
Veröffentlicht: (2024)

Deep Learning Model Predictive Control for Deep Brain Stimulation in Parkinson's Disease
von: Steffen, Sebastian, et al.
Veröffentlicht: (2025)

When Deep Learning Meets Polyhedral Theory: A Survey
von: Huchette, Joey, et al.
Veröffentlicht: (2023)

Decision-Focused Learning: Foundations, State of the Art, Benchmark and Future Opportunities
von: Mandi, Jayanta, et al.
Veröffentlicht: (2023)

A Taxonomy of Loss Functions for Stochastic Optimal Control
von: Domingo-Enrich, Carles
Veröffentlicht: (2024)

Multi-Task Learning Based on Support Vector Machines and Twin Support Vector Machines: A Comprehensive Survey
von: Bazikar, Fatemeh, et al.
Veröffentlicht: (2025)

Controllable Expensive Multi-objective Learning with Warm-starting Bayesian Optimization
von: Nguyen, Quang-Huy, et al.
Veröffentlicht: (2023)

Deep Backward and Galerkin Methods for the Finite State Master Equation
von: Cohen, Asaf, et al.
Veröffentlicht: (2024)

Mathematical Foundations of Deep Learning
von: Ye, Xiaojing
Veröffentlicht: (2026)

Mitigating Gradient Bias in Multi-objective Learning: A Provably Convergent Stochastic Approach
von: Fernando, Heshan, et al.
Veröffentlicht: (2022)

A Distributed ADMM-based Deep Learning Approach for Thermal Control in Multi-Zone Buildings under Demand Response Events
von: Taboga, Vincent, et al.
Veröffentlicht: (2023)

Learning to Stop: Deep Learning for Mean Field Optimal Stopping
von: Magnino, Lorenzo, et al.
Veröffentlicht: (2024)

Scalable Decentralized Learning with Teleportation
von: Takezawa, Yuki, et al.
Veröffentlicht: (2025)

Deep Generative Demand Learning for Newsvendor and Pricing
von: Gong, Shijin, et al.
Veröffentlicht: (2024)

Deep Learning for the Multiple Optimal Stopping Problem
von: Laurière, Mathieu, et al.
Veröffentlicht: (2025)

Learning Exactly Linearizable Deep Dynamics Models
von: Moriyasu, Ryuta, et al.
Veröffentlicht: (2023)

Knowledge Gradient for Multi-Objective Bayesian Optimization with Decoupled Evaluations
von: Buckingham, Jack M., et al.
Veröffentlicht: (2023)

Deep Reinforcement Learning: A Convex Optimization Approach
von: Gattami, Ather
Veröffentlicht: (2024)

Learning Constrained Optimization with Deep Augmented Lagrangian Methods
von: Kotary, James, et al.
Veröffentlicht: (2024)

Reevaluating Theoretical Analysis Methods for Optimization in Deep Learning
von: Tran, Hoang, et al.
Veröffentlicht: (2024)

Sparse Deep Learning Models with the $\ell_1$ Regularization
von: Shen, Lixin, et al.
Veröffentlicht: (2024)

Structure-Informed Deep Reinforcement Learning for Inventory Management
von: Maggiar, Alvaro, et al.
Veröffentlicht: (2025)

Training Deep Learning Models with Norm-Constrained LMOs
von: Pethick, Thomas, et al.
Veröffentlicht: (2025)

Locally Adaptive Federated Learning
von: Mukherjee, Sohom, et al.
Veröffentlicht: (2023)

Deep Reinforcement Learning for Dynamic Order Picking in Warehouse Operations
von: Mahmoudinazlou, Sasan, et al.
Veröffentlicht: (2024)

An Efficient On-Policy Deep Learning Framework for Stochastic Optimal Control
von: Hua, Mengjian, et al.
Veröffentlicht: (2024)

Position: Adopt Constraints Over Fixed Penalties in Deep Learning
von: Ramirez, Juan, et al.
Veröffentlicht: (2025)

Enhancing Accuracy in Deep Learning Using Random Matrix Theory
von: Berlyand, Leonid, et al.
Veröffentlicht: (2023)

DLMMPR:Deep Learning-based Measurement Matrix for Phase Retrieval
von: Liu, Jing, et al.
Veröffentlicht: (2025)

Convergence Analysis for Learning Orthonormal Deep Linear Neural Networks
von: Qin, Zhen, et al.
Veröffentlicht: (2023)

Distributed Event-Based Learning via ADMM
von: Er, Guner Dilsad, et al.
Veröffentlicht: (2024)

Multi-objective optimisation via the R2 utilities
von: Tu, Ben, et al.
Veröffentlicht: (2023)

QLABGrad: a Hyperparameter-Free and Convergence-Guaranteed Scheme for Deep Learning
von: Fu, Minghan, et al.
Veröffentlicht: (2023)

Nonconvex Stochastic Bregman Proximal Gradient Method with Application to Deep Learning
von: Ding, Kuangyu, et al.
Veröffentlicht: (2023)

EMA-Nesterov: Stabilizing Nesterov's Lookahead for Accelerated Deep Learning Optimization
von: Yau, Chung-Yiu, et al.
Veröffentlicht: (2026)