PyTorchKR Papers

최신 논문

총 14편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.19145v3cs.LG

PMF-CL: 상충하는 태스크를 위한 파레토 최소 망각 연속 학습기

PMF-CL: Pareto-Minimal-Forgetting Continual Learner for Conflicting Tasks

기존 연구에서는 머신러닝 모델의 치명적 망각(catastrophic forgetting, 즉 새로운 태스크를 학습할 때 이전에 학습한 태스크의 성능이 저하되는 현상) 문제를 해결하기 위해 수많은 연속 학습(CL) 알고리즘이 제안되었다. 모든 CL 접근법은 과거 태스크에 대한 정보를 유지하기 위해 어떤 형태로든 메모리를 사용하지만, 치명적 망각을 최소화하기 위해 어떤 정보를 저장해야 하는지에 대한 탄탄한 이론적 이해는 여전히 명확하지 않다. 최근에는 모든 태스크에 걸쳐 공통의 전역 최솟값(global minimizer)이 존재한다는 강력한 가정 하에서는 치명적 망각을 완전히 피할 수 있다는 점이 밝혀졌다. 그러나 실제로는 태스크들이 공통의 전역 최솟값을 갖는 경우가 드물며, 어느 정도의 망각은 불가피하다. 본 논문에서는 멀티태스크 학습(MTL) 관점에서 CL을 사후적으로(in hindsight) 상충하는 태스크 간의 균형을 맞추는 문제로 재정의하는 기초적 프레임워크를 제안한다. 이 접근법은 파레토 최적(Pareto-optimal) 해, 즉 정의상 파레토 관점에서 이전 태스크를 최소한으로 망각하는 해를 찾는 것에 기반한다. 저자들은 선형 및 기저 함수 회귀를 위한 파레토 최소 망각 CL(PMF-CL) 알고리즘을 유도한다. 이 알고리즘은 순차적으로 발생하는 태스크 수 $T$와 무관하게 $d$개의 모델 파라미터에 대해 $O(d^2)$의 정적 메모리 공간만을 사용하면서도, 최솟값 주변에서 2차 상한(quadratic upper bound)을 갖는 손실 함수로 자연스럽게 확장된다. 2차 손실 환경에서는 망각에 대한 정확한 사후 파레토 최적 보장을 도출한다. 2차 상한 환경에서는 망각이 증명 가능하게 바운드되며, 망각 바운드의 엄밀함은 손실 함수의 2차 바운드의 엄밀함에 의해 직접적으로 결정된다. 수치 실험 결과는 파레토 최적 해로의 수렴에 관한 이론적 주장을 검증하며, 더 적은 메모리를 차지하면서도 기존의 실증적 방법들을 일관되게 능가함을 보여준다.

arXiv:2608.01772v2cs.AI

ESCROW: 정책 기반 엔터프라이즈 워크플로 내 에이전트를 위한 보호 및 이중 목표 지속적 유지보수

ESCROW: Guarded and Dual-Objective Continual Maintenance for Agents in Policy-Governed Enterprise Workflows

대규모 언어 모델(LLM) 에이전트는 규칙을 일관되게 적용하고 감사 가능성을 유지해야 하는 정책 기반 엔터프라이즈 워크플로를 점점 더 많이 수행하고 있습니다. 이러한 에이전트를 배포하는 것은 장기 유지보수 주기의 시작에 불과합니다. 에이전트는 지속적인 운영 신호 스트림에 적응해야 하지만, 희소하고 라벨이 지정되지 않은 이러한 신호를 재사용 가능한 스킬 수정안으로 안정적으로 전환하는 것은 어렵습니다. 또한 부주의한 업데이트는 전체적인 이득을 위해 특정 작업 범주의 정확도를 희생시키거나, 이미 해결된 오류를 다시 발생시키거나, 배포 불가능한 비용 수준에 도달할 위험이 있습니다. 본 논문에서는 엄격한 업데이트 경계(Strict Update Boundary) 하에서 에이전트의 외부 검토 가능 스킬을 업데이트하는 사후 배포 유지보수 프레임워크인 ESCROW를 제안합니다. 여기서는 LLM이 후보 수정안을 제안하지만, 실증적으로 평가된 버전만 배포됩니다. ESCROW는 합의 기반 분산 진단, 범주별 비퇴행 가드(non-regression guard), 주기 간 퇴행 방지, 정확도-비용 파레토(Pareto) 탐색을 결합하여 변경 사항마다 버전이 지정되고 감사가 가능한 diff를 출력합니다. 자체 내부 금융 문서 감사 시스템의 실제 운영 환경에서 ESCROW는 공개 $\tau$-bench에 대한 전이 프로브와 함께 베이스라인 중 가장 우수한 평가 정확도-비용 절충(trade-off)을 달성했습니다.

arXiv:2607.09706v1cs.AI

YUKTI: 자연어 상황에서 강건하고 검증 가능한 의사결정으로 — 불확실성 타입 명제 IR, 가정 강건 파레토 프론티어, 그리고 후회 증명서

YUKTI: From Natural-Language Situations to Robust, Verifiable Decisions An Uncertainty-Typed Proposition IR, Assumption-Robust Pareto Frontiers, and a Regret Certificate

언어 모델은 서술된 상황을 수치 계획으로 변환하며, 주요 파이프라인(NL4Opt, OptiMUS, ORLM, OR-LLM-Agent)은 단일 목적 함수와 점 값(point-valued) 계수를 확정한 뒤 한 번만 풀어낸다. 실제 예산, 노력, 또는 임상적 주의를 배분하는 의사결정에서 이러한 확신은 실패의 원인이 된다: 객관화된 모든 수치는 가정이며, 추정이 정확히 맞을 때만 최적인 계획은 취약하다 — 계산의 흉내에 불과하다. YUKTI는 자동 공식화(autoformulation)의 대상을 바꾼다. 그 표현은 관계에 형태 사전 확률(shape priors), 계수 불확실성, 출처 정보를 담은 타입 명제 그래프다. YUKTI는 각 단계를 정확(exact), 비선형, 또는 진화적 솔버로 라우팅하고, 분포적 파레토 인계(distributional Pareto hand-off)를 통해 단계를 결합하며, 가정 강건 파레토 프론티어(Assumption-Robust Pareto Frontiers, ARPF)를 도입한다. ARPF는 구조적 엡실론 오염을 포함한 가정을 재샘플링하여 각 행동이 살아남는 빈도(ρ)를 평가한다. 우리는 ρ를 의사결정 후회의 정확한 인수(factor)로 만드는 경계를 증명하고, 감사 가능한 추적성을 추가하며, 데이터 기반이 존재하지 않을 때 벤치마크 충실 데이터 기반(SRJANA)을 합성한다. 우리는 세 가지 방식으로 검증한다: 통제된 잘못된 명세(misspecification) 하에서 강건한 타협안은 단순 점 계획 대비 평균 및 꼬리 후회를 90% 이상 감소시킨다; 규제된 상업적 의사결정에서는 합법적 행동 공간 내에서 최적화하고 하방 손실을 유로로 가격화한다; 41,188건의 의사결정으로 이루어진 실제 공개 데이터셋에서 표본 외 백테스트는 기록된 현상 유지 대비 34%, 단순 점 규칙 대비 4% 우수한 성과를 보이면서 옵티마이저의 저주를 완화한다. 솔버는 표준 방식이며, 벤치마크 SOTA 달성을 주장하지 않는다. 직접 비교 실험에서, 올바른 수치와 단일 목적 최적화가 주어진 대규모 언어 모델(LLM)은 모두 YUKTI 대비 약 47배의 보류 후회(held-out regret)를 발생시킨다 — LLM은 공식화기이지 솔버가 아니다. 장거리 인과 결합 하에서 전방 인계(forward hand-off)는 불건전해지며, 이는 역귀납(backward-induction) 인과 정책이 필요한 지점을 특정한다.

arXiv:2602.07764v2cs.LG

선호도 조건부 다목적 강화학습: 분해된, 다양성 기반 정책 최적화

Preference Conditioned Multi-Objective Reinforcement Learning: Decomposed, Diversity-Driven Policy Optimization

다목적 강화학습(MORL)은 상충하는 목표들을 균형 있게 처리할 수 있는 에이전트를 학습시키는 것을 목표로 한다. 단일 선호도 조건부 정책은 확장성이 뛰어난 해법을 제공하지만, 기존 접근법들은 실제 환경에서 취약하여 밀도 있는 파레토 프론트(Pareto front) 복원에 자주 실패한다. 우리는 이러한 실패가 두 가지 구조적 병리에서 비롯됨을 보인다: 조기 스칼라화(Early Scalarization, ES)로 인한 파괴적 어드밴티지 상쇄(destructive advantage cancellation), 그리고 선호도 공간 전반에 걸친 표현 모드 붕괴(representational mode collapse). 이 병목을 극복하기 위해, 우리는 다목적 최적화를 근본적으로 재구성하는 PPO 기반 프레임워크인 $D^3PO$를 제안한다. 분해된 파이프라인을 통해 목표별 학습 신호를 보존하고, 신뢰 영역 안정화 이후에만 선호도를 통합하는 후기 단계 가중치(Late-Stage Weighting)를 적용함으로써, $D^3PO$는 상충하는 목표 하에서의 크레딧 할당(credit assignment)을 개선한다. 동시에, 스케일링된 다양성 정규화기(diversity regularizer)가 선호도 거리에 비례한 행동적 발산을 장려한다. $D^3PO$는 표준 심층 MORL 기준선과 공유되는 효율적인 선형 스칼라화(linear scalarization) 체계 내에서 완전히 작동한다. 비용이 큰 비선형 효용 함수에 의존하는 대신 선형 스칼라화로 인한 정보 손실을 줄임으로써, 최적화 병목이 중요한 역할을 한다는 점을 시사한다. 고차원 및 다수 목표 환경을 포함한 가용한 표준 벤치마크 전반에 걸쳐, $D^3PO$는 단일 배포 가능 정책을 사용하여 기존 방법보다 더 넓고 높은 품질의 파레토 프론트를 일관되게 발견하며, 최첨단(state-of-the-art) 하이퍼볼륨(hypervolume) 및 기대 효용(expected utility)을 초과한다.

arXiv:2607.08150v1cs.LG

DeepPySR -- 실세계 과학적 발견을 위한 동적 가지치기, 파레토 선택, 계층적 합성을 갖춘 기호 회귀 프레임워크

DeepPySR -- A Symbolic Regression Framework with Dynamic Pruning, Pareto Selection, and Hierarchical Composition for Real-World Scientific Discovery

DeepPySR는 기호 회귀(Symbolic Regression)의 고차원 입력, 파레토 프론트 수식 선택, 다중공선성 등 세 가지 핵심 과제를 해결하기 위해 동적 변수 가지치기 스케줄(DVPS), 지수적 파레토 선택(EPS), 다층 계층 아키텍처를 통합한 프레임워크다. Feynman 물리 벤치마크 및 의생명·사회과학 데이터셋에서 PySR 대비 체지방(R²: 0.794 vs. 0.702), 심장 질환(F1: 0.898 vs. 0.787) 등 전반적으로 우수한 성능을 보이며 도메인 위험 인자와 일치하는 해석 가능한 수식을 산출한다.

arXiv:2601.20753v4cs.LG

GraphAllocBench: 선호도 조건부 다목적 정책 학습을 위한 유연한 벤치마크

GraphAllocBench: A Flexible Benchmark for Preference-Conditioned Multi-Objective Policy Learning

도시 자원 배분을 그래프 기반 순차적 의사결정으로 모델링한 CityPlannerEnv 위에 구축된 GraphAllocBench는 사용자 정의 가능한 목적 함수, 다양한 선호도 조건, 복잡한 파레토 프론트(Pareto Front)를 갖춘 다목적 강화학습(MORL)용 벤치마크로, 기존 PCPL 벤치마크의 단순 태스크·고정 환경 한계를 극복한다. 하이퍼볼륨 지표를 보완하는 비지배 해 비율(PNDS)과 순서 점수(OS)를 새로 제안하고, 그래프 신경망(GNN) 기반 PCPL-PPO 실험을 통해 고차원 할당 문제에서 기존 지표로는 드러나지 않는 실패 모드를 규명했다.

arXiv:2606.04468v2cs.LG

ParetoPilot: Infer-Perturb-Guide 확산을 통한 제로-서로게이트 오프라인 다목적 최적화

ParetoPilot: Zero-Surrogate Offline Multi-Objective Optimization via Infer-Perturb-Guide Diffusion

오프라인 다목적 최적화(Offline MOO)는 추가적인 환경 상호작용 없이 정적 데이터셋으로부터 파레토 최적 설계를 탐색한다. 기존 생성 기반 방법들은 일반적으로 외부 서로게이트(surrogate) 또는 선호도 모델을 사용해 샘플링을 유도하는데, 이는 학습 복잡성을 높이고 신뢰할 수 없는 가이드를 제공할 수 있다. 우리는 ParetoPilot을 제안한다. 이는 사전학습된 조건부 확산 모델을 이용해 서로게이트 없이 추론 시점에 설계를 파레토 프론트(Pareto front)로 유도하는 플러그 앤 플레이(plug-and-play) 방법이다. ParetoPilot은 역방향 확산 과정 내에 Infer-Perturb-Guide(IPG) 엔진을 도입한다. IPG는 먼저 조건부 예측과 비조건부 예측을 정렬함으로써 배치 내 각 샘플에 대한 개별 조건부 타겟을 추론한다. 이후 배치 전체에 걸쳐 이 타겟들을 집합적으로 교란시켜, 파레토 프론트를 향한 수렴과 샘플 간 다양성 사이의 균형을 맞춘다. 마지막으로, 엔진은 표준 분류기-없는 가이던스(Classifier-Free Guidance, CFG)를 통해 교란된 타겟을 주입함으로써 생성 궤적을 파레토 프론트 방향으로 유도한다. 51개 태스크에 대한 실험에서 ParetoPilot은 16가지 방법 중 최고의 전체 순위를 달성하고, 경쟁력 있는 하이퍼볼륨 개선(hypervolume improvement)을 보인다.

arXiv:2606.28541v1math.OC

다기준 공학 최적화를 위한 스칼라 목적 함수 비교

Comparing Scalar Objective Functions for Multi-Criteria Engineering Optimization

다기준 최적화 문제에서 파레토 집합만이 아닌 단일 선호 설계를 도출해야 할 때 스칼라 목적 함수가 필요하다. 스칼라화 방식의 선택은 어떤 타협안이 선택되는지, 선호 매개변수(parameter)가 어떻게 해석되는지, 그리고 비지지 파레토 영역에 도달 가능한지를 결정한다. 본 논문은 정규화된 이기준 최소화를 위한 네 가지 정식화를 비교한다: 가중 합산(weighted sums), 달성 스칼라화 함수(achievement scalarizing functions), 바람직성 함수(desirability functions), 퍼지 논리 기반 정식화. 볼록 및 오목 파레토 전선 각각 하나씩, 해석적으로 정의된 두 파레토 전선을 사용하여 목적 함수 정식화의 효과를 수치 옵티마이저(optimizer) 동작과 분리하여 분석한다. 비교는 도달 가능한 파레토 영역, 매개변수 유도 선택 밀도, 기준 간 보상, 민감도 및 해석 가능성에 초점을 맞춘다. 결과에 따르면 가중 합산은 단순하지만 오목 전선에서 구조적 한계가 있는 반면, 달성, 바람직성, 퍼지 정식화는 서로 다른 메커니즘을 통해 내부 비지지 영역에 도달한다. 바람직성 함수는 비선형 단일 기준 선호 매핑을 도입하는 반면, 퍼지 규칙은 비분리적이고 참조 의존적인 공학적 선호를 표현한다.

arXiv:2606.26397v1cs.LG

다중 목표 강화학습을 위한 결정론적 파레토 최적 정책 합성

Deterministic Pareto-Optimal Policy Synthesis for Multi-Objective Reinforcement Learning

실세계의 의사결정은 흔히 여러 상충하는 목표 사이의 균형을 요구하는데, 표준 강화학습(RL)은 이를 보상을 단일 스칼라 신호로 집계하는 방식으로 자주 다룬다. 이 접근법은 단순한 태스크에는 효과적이지만, 파레토 프론티어(Pareto frontier)라 불리는 최적 트레이드오프의 전체 스펙트럼을 포착하는 데 실패하는 경우가 많다. 본 논문에서는 다중 목표 마르코프 결정 과정(MOMDP)에 대한 결정론적 파레토 최적 정책을 계산하기 위해, 체비쇼프 스칼라화(Chebyshev scalarization)에서 동기를 얻은 새로운 선호 조건부 벨만 연산자(preference-conditioned Bellman operator)를 제안한다. 이 연산자가 포락 속성(enveloping property)을 만족함을 증명하며, 여기서 추정된 가치 함수는 실제 파레토 프론티어의 상한을 이룬다. 또한 이 연산자가 해당 프론티어의 커버리지 집합으로 단조 수렴함을 보인다. 나아가 수렴된 Q-추정값으로부터 결정론적 정책을 추출하는 방법도 제시한다. 이를 통해 에이전트는 임의의 선호에 대한 정책을 복원할 수 있으며, 파레토 최적 프론티어 전체를 포괄하면서 합성된 각 정책이 근사적으로 파레토 최적임을 보장한다. 실험 결과는 제안 알고리즘이 복잡한 트레이드오프를 성공적으로 복원함을 검증하며, 결정론적 파레토 최적 정책 합성을 위한 해법을 제공한다.

arXiv:2606.19521v1cs.LG

심층 다중 작업 학습을 위한 대화형 파레토 탐색

Interactive Pareto navigation for deep multi-task learning

다중 작업 학습(multi-task learning)에서 목표(objective)의 수가 증가함에 따라, 연산 자원(computational resources)과 적절한 절충(trade-off)을 선택하는 의사 결정자(decision maker)의 역량 측면 모두에서 문제가 급격히 어려워질 수 있습니다. 따라서 널리 사용되는 접근 방식은 가중합(weighted sum)을 통해 개별 손실(loss)들을 단일 손실 함수로 집계하는 것입니다. 이 방식은 파레토 전면(Pareto front)의 형태로 인해 의사 결정자의 선호도를 포착하지 못하거나, 심층 학습(deep learning) 응용에서 비용이 과도하게 높아지는 여러 번의 조정과 연산을 요구하는 경우가 많습니다. 이러한 문제들을 해결하기 위해, 우리는 대화형 탐험(exploration) 과정에서 파레토 집합(Pareto set)의 기하학적 구조를 고려하면서 의사 결정자의 선호도를 반영하는 새로운 프레임워크인 Preference Pareto Exploration (PPE)을 소개합니다. PPE는 의사 결정자의 선호도를 따르면서 파레토 최적 해의 다양체(manifold)에 접선 방향으로 예측자(predictor) 단계를 수행하는 예측자-수정자(predictor-corrector) 방법을 기반으로 합니다. 이어지는 수정자(corrector) 단계는 이 선호도를 반영한 새로운 절충(trade-off)을 도출합니다. 다양체의 접선 공간을 특성화할 때 명시적인 헤시안(Hessian) 연산을 피하기 위해, 우리는 행렬-벡터 곱(matrix-vector products)에만 의존하는 크릴로프 부분 공간(Krylov subspace) 방법을 사용합니다. 이러한 곱 연산은 자동 미분(automatic differentiation)을 통해 효율적으로 얻을 수 있어, 최적화(optimization) 과정 전반에 걸쳐 효율성과 견고성을 보장합니다. 해당 방법의 기능과 성능은 toy problems와 심층 학습(deep learning)의 예제를 모두 사용하여 입증되었습니다.

arXiv:2606.19134v1cs.LG

보상 머신을 활용한 파레토 Q-러닝

Pareto Q-Learning with Reward Machines

우리는 보상 구조가 보상 머신(RM) 집합으로 명시된 작업을 위한 다목적 강화학습 알고리즘인 Pareto Q-Learning with Reward Machines(PQLRM)를 제안합니다. PQLRM은 파레토 프론트를 근사화하기 위해 벡터 값 Q 추정치 집합을 유지하는 Pareto Q-Learning(PQL)과, 보상 신호의 인자화된 오토마톤 구조를 활용하는 Q-Learning with Reward Machines(QRM)의 개선 사항을 결합합니다. 이는 RM으로 인코딩된 비마르코프(non-Markovian) 보상 하에서도 샘플 효율성을 유지하는 다중 정책 알고리즘을 산출합니다. 실험 결과, PQLRM은 교차 곱 MDP에 적용된 단순한 PQL 기준선보다 더 빠르게 수렴하며, QRM이 합성할 수 없는 파레토 최적 정책을 합성할 수 있음을 보여줍니다.

arXiv:2606.17296v1cs.CV

Pareto LoRA: 파레토 최적 그래디언트 통합을 통한 통합 멀티모달 모델의 모달 불균형 완화

Pareto LoRA: Mitigating Modality Imbalance in Unified Multimodal Models via Pareto-Optimal Gradient Integration

통합 멀티모달 모델(UMMs)은 최근 단일 자기회귀 트랜스포머 내에서 멀티모달 이해와 생성을 통합하는 유망한 패러다임으로 등장했습니다. 그러나 멀티모달 지시 미세조정 과정에서 이러한 모델들은 종종 뚜렷한 모달 불균형을 보이는데, 언어 그래디언트가 최적화를 지배하여 특히 LoRA와 같은 매개변수 효율적 미세조정 환경에서 이미지 생성 품질이 저하되는 결과를 초래합니다. 본 연구에서는 인터리브된 텍스트-이미지 생성을 위한 UMM의 LoRA 기반 미세조정에서 발생하는 모달 불균형을 체계적으로 분석합니다. 우리는 단일 모달 대응 모델과 비교했을 때 비전 모달 성능이 텍스트 모달 성능보다 훨씬 더 크게 저하됨을 보여주며, 다양한 작업과 레이어에서 모달별 그래디언트가 수 차수만큼 차이가 날 수 있음을 입증합니다. 이러한 관찰에 동기를 부여받아, 우리는 멀티모달 지시 미세조정을 이중 목적 최적화 문제로 재정의하고, 그래디언트의 방향과 강도를 조절하여 텍스트와 이미지 목적의 균형을 맞추는 파레토 최적 그래디언트 통합 전략인 Pareto LoRA를 제안합니다. Emu2를 사용한 CoMM 벤치마크에서의 실험은 Pareto LoRA가 멀티모달 생성 균형을 일관되게 개선하여, 텍스트 성능과 대등한 수준을 유지하면서 기본 LoRA 대비 지각적 이미지 품질에서 최대 44.9%의 향상을 달성함을 보여줍니다.

arXiv:2606.18111v1cs.LG

다목표 강화학습에서 공정한 파레토 최적 정책 학습

Learning Fair Pareto-Optimal Policies in Multi-Objective Reinforcement Learning

공정성은 다목표 강화학습(MORL)에서 의사결정의 중요한 측면이며, 정책은 여러 상충할 수 있는 목표에 걸쳐 최적성과 형평성을 모두 보장해야 한다. 단일 정책 MORL 방법은 일반화 지니 복지 함수(GGF)와 같은 복지 함수를 사용하여 고정된 사용자 선호에 대한 공정한 정책을 학습할 수 있지만, 동적이거나 알려지지 않은 사용자 선호에 필요한 다양한 정책 집합을 제공하지 못한다. 이 한계를 해결하기 위해, 우리는 다정책 MORL에서 공정 최적화 문제를 공식화하며, 여기서 목표는 모든 가능한 사용자 선호에 걸쳐 공정성을 보장하는 파레토 최적 정책 집합을 학습하는 것이다. 핵심 기술적 기여는 세 가지이다: (1) 오목하고 조각선형 복지 함수(예: GGF)에 대해, 공정 정책이 선형 스칼라화에 대한 근사 파레토 전선인 볼록 커버리지 집합(CCS)에 남아 있음을 보인다. (2) 누적 보상 이력으로 보강된 비정상성(non-stationary) 정책과 확률적 정책이 역사적 불평등에 동적으로 적응함으로써 공정성을 향상시킴을 입증한다. (3) GGF를 다정책 다목표 Q-학습(MOQL)에 통합하는 것, 비정상성 정책 학습을 위한 상태 증강 다정책 MOQL, 그리고 확률적 정책 학습을 위한 새로운 확장을 포함하는 세 가지 새로운 알고리즘을 제안한다. 우리는 다양한 도메인에서 알고리즘을 평가하고 방법을 최신 MORL 기준선과 비교한다. 실험 결과는 우리 방법이 서로 다른 사용자 선호를 수용하는 공정 정책 집합을 학습함을 보여준다.

arXiv:2606.06984v1cs.LG

예측 그래디언트 촉매를 통한 다목적 베이지안 최적화 가속화

Accelerating Multi-Objective Bayesian Optimisation via Predictive-Gradient Catalysts

본 논문은 가우시안 프로세스 예측 그래디언트를 보조 신호로 활용하는 다목적 베이지안 최적화(MOBO)를 위한 일반적인 가속화 메커니즘을 제안합니다. 제안하는 접근법은 기존의 파레토 준수 획득 함수를 대체하는 대신, 대리 모델에서 유도된 그래디언트에서 파생된 국소 정상성 정보로 이를 보강하여, 제한된 평가 예산 하에서 전역 파레토 집합으로의 더 빠른 수렴을 가능하게 합니다. 두 가지 촉매 구현체를 조사합니다: 적응형 다중 그래디언트 하강법 기반 촉매(MGDA)와 예산이 빠듯할 때 집중적인 탐험을 가능하게 하는 미리 정의된 가중치 변형입니다. DTLZ 벤치마크 제품군(2개의 목적과 10개의 결정 변수 사용)에 대한 실험은 대리 모델이 정확할 때 예측 그래디언트 촉매 작용이 다른 획득 함수(EHVI, AugTch, tMPoI, SAF)와 비교하여 상당한 가속을 제공할 수 있음을 보여주며, 이는 특히 정상성 문제에서 두드러집니다.