본 논문은 오프라인 다목적 최적화 문제를 해결하기 위해 선호도 기반 확산 모델을 제안합니다. 분류기 기반의 안내 메커니즘을 활용하여 파레토 최적 설계를 생성하는데, 이 분류기는 하나의 설계가 다른 설계를 지배할 확률을 예측하도록 학습된 선호도 모델입니다. 이 선호도 모델은 학습 데이터 분포를 넘어 일반화되어 관측된 데이터셋 외부의 파레토 최적 해를 발견할 수 있습니다. 또한, 다양성을 고려한 선호도 안내를 도입하여 파레토 우월성 선호도에 다양성 기준을 추가함으로써 생성된 해가 최적이고 목표 공간에 잘 분포되도록 합니다. 다양한 연속형 오프라인 다목적 최적화 작업에 대한 평가 결과, 기존의 역/생성 접근 방식보다 우수한 성능을 보이며, 순방향/대리 기반 최적화 방법과 경쟁력 있는 결과를 보여줍니다.
