본 논문은 다중 목적 최적화(MOO) 문제, 특히 연합 학습(FL) 분야에서 Pareto 최적 해집합(Pareto front)을 근사하는 강력한 방법인 Pareto-Front Learning (PFL)에 초점을 맞추고 있습니다. 기존 PFL 방법들의 고차원 공간 샘플링 및 Pareto front 전체를 커버하지 못하는 한계를 극복하기 위해, Voronoi 그리드를 이용하여 설계 공간을 분할하고 유전 알고리즘(GA)을 적용하는 새로운 PFL 프레임워크인 PHN-HVVS를 제안합니다. PHN-HVVS는 새로운 손실 함수를 사용하여 Pareto front의 범위를 넓히고 HV 지표를 극대화합니다. 다양한 MOO 기계 학습 작업에 대한 실험 결과, PHN-HVVS가 기존 방법보다 Pareto front 생성 성능이 우수함을 보여주며, 연합 학습 분야의 여러 문제에 대한 방법론적 발전을 제시합니다. 소스 코드는 깃허브에서 공개됩니다.
시사점, 한계점
•
시사점:
◦
고차원 공간에서의 Pareto front 근사 문제를 효과적으로 해결하는 새로운 PHN-HVVS 프레임워크 제시.
◦
Voronoi 그리드 기반의 설계 공간 분할 및 유전 알고리즘 활용을 통한 Pareto front 탐색 성능 향상.
