arXiv · cs.AI· Yiming Yao, Liang Zhao, Qingfu Zhang·· 6 小时前
ICPSL通过超网络从有限离线数据学习偏好条件Pareto解集
In-Context Preference-Conditioned Pareto Set Learning from Limited Offline Data
arXiv:2610.21736v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Yiming Yao, Liang Zhao, Qingfu Zhang
研究任务与主要进展
ICPSL预训练超网络，将未见多目标问题的离线观测在一次前向传播中转换为可复用的偏好条件Pareto解模型，从而无需针对每个偏好搜索或针对每个问题重新训练。摘要称，该方法在合成和现实问题上生成高质量Pareto解，并显著加速问题特定解模型的构建；实验细节、基线和适用条件未提供。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org