다중 목표 이성Workflow 생성

연구에서는 여러 목표, chẳng hạn 정확도, 비용, 지연 시간, 강인성 및 일관성을 동시에 최적화하는 대담한 워크플로우를 생성하는 것을 연구합니다. 워크플로우 생성을 위한 기존 방법들은 보통 정확도만 최적화하거나 목표를 가중치로 합쳐서 최적화합니다. 따라서 학습된 생성기는 한 가지 고정된 교환 조건에만 동의하고 preferences가 변경될 때마다 다시 학습해야 합니다. 이를 해결하기 위해 우리는 MoFlow를 제안합니다. MoFlow는 다양한 preferences를 고려한 워크플로우를 생성합니다. MoFlow는 워크플로우 생성을 다목표 Markov 결정 과정으로 포맷하고 Convex-Hull Monte Carlo Tree Search를 사용하여 Convex-Hull Monte Carlo Tree Search를 사용하여 다목표 Markov 결정 과정의 최적해를 찾습니다. 이 과정에서 각 노드는 가중치가 아닌 도달 가능한 교환 조건의 집합을 저장합니다. 이 방법으로, MoFlow는 한 번의 검색으로 Pareto frontier를 근사화할 수 있습니다. MoFlow는 따라서 preferences에 따라 워크플로우를 반환할 수 있습니다. MoFlow는 수학, 코드 및 질문 답변을 포함한 6개의 강력한 baseline과 6개의 벤치마크에 대해 평가합니다. baseline은 다중 스칼라 최적화자가 설계되었으므로, direct comparison은 어렵습니다. 따라서 우리는 baseline이 각 testing preference를 다시 실행하는 평가 설정을 채택합니다. MoFlow는 baseline보다 높은 평균 하이퍼 볼륨을 달성하는 것으로 평가됩니다.