Multi-Objective Machine Learning

In letzter Zeit hat das Interesse an der Anwendung des Konzepts der Pareto-Optimalität im Bereich des maschinellen Lernens zugenommen, insbesondere inspiriert durch die erfolgreichen Entwicklungen in der evolutionären multi-objektiven Optimierung. Es wurde gezeigt, dass der multi-objektive Ansatz im maschinellen Lernen besonders effektiv ist, um die Leistung traditioneller ein-objektiver Methoden des maschinellen Lernens zu verbessern, hochgradig vielfältige multiple Pareto-optimale Modelle zur Konstruktion von Ensemble-Modellen zu generieren und einen gewünschten Kompromiss zwischen Genauigkeit und Interpretierbarkeit von neuronalen Netzen oder Fuzzy-Systemen zu erreichen. Diese Monografie präsentiert eine ausgewählte Sammlung von Forschungsarbeiten zum multi-objektiven Ansatz im maschinellen Lernen, einschliesslich multi-objektiver Merkmalsauswahl, multi-objektiver Modellauswahl beim Training von mehrschichtigen Perzeptronen, radialen Basisfunktionsnetzwerken, Support-Vektor-Maschinen und Entscheidungsbäumen.