Tag · 4 篇
多目标优化
UniRain：基于 RAG 数据集蒸馏与多目标重加权优化的统一图像去雨
UniRain: Unified Image Deraining with RAG-based Dataset Distillation and Multi-objective Reweighted Optimization
把 RAG 检索与数据集蒸馏结合，从多个公开去雨数据集中筛选高质量样本做混合训练，并用非对称 MoE 加多目标重加权优化统一处理雨条、雨滴、白天与夜间退化，可作为统一复原模型的数据筛选与专家路由范式复用。
POCA：面向视觉文本生成的帕累托最优课程对齐
POCA: Pareto-Optimal Curriculum Alignment for Visual Text Generation
把视觉文本生成中的文本准确率与图像美感/指令遵循的冲突建模为多目标优化，用帕累托最优集替代加权求和奖励，并配合自动难度评估的课程式提示选择；这套「帕累托奖励+课程采样」思路可直接迁移到任何需要多奖励 RL 微调的扩散生成任务（如编辑、个性化）。
基于自适应梯度重加权与多阶段目标优化的机器遗忘
Machine Unlearning via Adaptive Gradient Reweighting and Multi-stage Objective Optimization
为视觉模型提供一种无需重训练的遗忘机制：通过自适应梯度重加权与多阶段目标优化（方向校正、时序稳定、自适应目标组合）缓解遗忘与保留目标间的梯度冲突，可直接用于扩散模型或分类骨干网的概念/样本擦除与隐私合规。
少模型服务多客户端的个性化联邦学习
Few-for-Many Personalized Federated Learning
把个性化联邦学习重新表述为「少模型服务多客户端」的多目标优化问题，用 K 个共享服务器模型覆盖 M 个异构客户端，可直接迁移到视觉场景下多域/多设备数据异构的协同训练，例如多摄像头或多医院影像数据下的模型个性化。