Bilim insanları, yapay zeka alanında çok hedefli optimizasyon problemleri için yeni bir çözüm yaklaşımı geliştirdi. Sequential Targeting Adaptive Gap-Filling ε-Constraint Bayesian Optimization (STAGE-BO) olarak adlandırılan bu yöntem, mevcut sistemlerin karşılaştığı önemli zorlukları aşmayı hedefliyor.
Çok hedefli Bayesian optimizasyonu, hesaplama maliyeti yüksek olan ve birden fazla amacı aynı anda gerçekleştirmesi gereken karmaşık sistemlerin optimize edilmesinde kullanılıyor. Ancak mevcut yöntemler, hedef sayısı arttıkça ölçeklenebilirlik sorunları yaşıyor ve çözüm uzayının tamamını etkili bir şekilde kapsamakta zorlanıyor.
Yeni yaklaşım, Pareto frontundaki en büyük geometrik boşlukları analiz ederek keşfedilmemiş bölgeleri sistematik olarak hedefliyor. Bu boşluklar kısıt olarak kullanılarak problem, bir dizi eşitsizlik kısıtlı alt probleme dönüştürülüyor. Bu sayede constrained expected improvement acquisition yöntemiyle verimli bir şekilde çözülebiliyor.
STAGE-BO'nun en önemli avantajlarından biri, hypervolume hesaplaması yapmadan uniform Pareto kapsama sağlaması. Ayrıca kısıtlı ve tercih tabanlı optimizasyon problemlerine doğal olarak uygulanabiliyor. Bu özellikler, yöntemin pratik uygulamalarda daha geniş bir kullanım alanına sahip olmasını sağlıyor.