본 논문은 다중 작업 최적화에서 반복적인 적합도 평가의 계산 부담을 줄이기 위해 대규모 언어 모델(LLM)의 지식 전이 강점과 새로운 기능을 활용하는 새로운 메타 서로게이트 프레임워크를 제안합니다. 메타데이터를 사용하여 여러 문제 그룹에 적합한 범용 모델을 정의함으로써 다중 작업 적합도 예측을 위한 통합 프레임워크를 제시합니다. 적합도 예측은 메타데이터와 결정 변수를 기반으로 수행되어 작업 간 효율적인 지식 공유 및 새로운 작업에 대한 적응성을 가능하게 합니다. LLM 기반 메타 서로게이트는 적합도 예측을 조건부 확률 추정으로 처리하며, 작업 메타데이터, 입력 및 출력에 대한 통합 토큰 시퀀스 표현을 사용합니다. 이 접근 방식은 공유 토큰 임베딩을 통해 효율적인 작업 간 지식 공유를 용이하게 하고 다중 작업 모델 학습을 통해 복잡한 작업 의존성을 포착합니다. 실험 결과는 모델의 새로운 일반화 능력, 특히 보이지 않는 차원을 가진 문제에 대한 제로샷 성능을 보여줍니다. 본 프레임워크는 진화적 전이 최적화(ETO)에 통합될 때 서로게이트 및 개별 수준 모두에서 이중 수준 지식 전이를 지원하여 최적화 효율성과 강건성을 향상시킵니다. 이 연구는 서로게이트 모델링에 LLM을 적용하기 위한 새로운 기반을 마련하여 다중 작업 최적화를 위한 다용도 솔루션을 제공합니다.
