多目标优化需要在相互冲突的目标之间做出多样化的偏好。传统做法返回有限的折衷解集，而偏好条件帕累托集合学习直接把给定偏好映射到对应的帕累托最优解。实际场景常只能离线获取少量静态观测，决策空间和目标空间覆盖稀疏。现有方法要么为每个偏好单独优化，要么训练针对特定问题的帕累托解模型，导致在偏好维度或问题维度上需要重复搜索或训练。
我们提出基于上下文的偏好条件帕累托集合学习（ICPSL），在一个框架中同时 amortize 偏好层面的解搜索和问题层面的模型构建。ICPSL 先在大规模合成先验数据上预训练一个 foundation‑style 超网络。给定未见问题的离线观测，预训练的超网络只需一次前向传播即可生成该问题的、偏好条件的帕累托解模型。随后该模型可直接用于任意偏好的解预测，无需再次训练或搜索。
实验在合成和真实任务上表明，ICPSL 能够生成高质量的帕累托解，并在构建问题特定解模型时实现显著加速。
点评