多目标梯度方法正在成为解决多目标问题的标准。其中,他们表现出有希望开发具有相关和相互矛盾的目标的多目标推荐系统。经典多梯度〜下降通常依赖于梯度的组合,而不是梯度的第一和第二矩的计算。这导致了脆性行为,并错过了解决方案空间中的重要区域。在这项工作中,我们创建了一种多目标模型 - 不可知的暗示方法,利用ADAM优化器在单目标问题中的优势。这将校正和稳定〜在计算常见的梯度下降载体之前〜〜〜梯度,同时优化所有目标。我们评估多目标的好处对两个多目标推荐系统和三种不同的客观组合,两者都相关或相互矛盾。我们报告了大量改进,用三种不同的Pareto正面指标测量:超凡镜,覆盖范围和间距。最后,我们展示了\ Textit {adamized} Pareto Front严格地占据了前一个目标对的前一个。
translated by 谷歌翻译