Jacobian Descent 解决多目标优化冲突并收敛至 Pareto 前沿

研究人员提出 Jacobian Descent（JD）算法，利用向量值目标函数的雅可比矩阵迭代更新参数，通过投影梯度完全解决多目标冲突。 证明了在光滑凸条件下收敛至 Pareto 前沿，比通常的弱 Pareto 驻点保证更强，并展示了其在实例级风险最小化上的潜力。 该方法还支持通过雅可比矩阵 Gramian 实现高效内存优化的 JD 算法实现，相关论文已被 NeurIPS 2026 接收。