في عالم الذكاء الاصطناعي، يتزايد الاهتمام بتحسين الأهداف المتعددة (Multi-Objective Optimization) Offline، حيث يهدف الباحثون إلى اكتشاف تصاميم Pareto-optimal جديدة باستخدام مجموعات بيانات ثابتة، دون الحاجة إلى التفاعل المكلف مع البيئة. لكن، في حين حققت الأساليب الحديثة نجاحًا ملحوظًا، فإنها غالبًا ما تعتمد على نماذج بديلة تسبب زيادة كبيرة في التكلفة الحسابية وتؤدي إلى تقييمات زائفة، مما يعني أنه يجب التغلب على هذه التحديات.

ومن أجل معالجة هذه المشكلات، تم تقديم ParetoPilot، وهو إطار عمل ثنائي جديد يعتمد على تقنية الانتشار (Diffusion) بدون نماذج بديلة. يستفيد هذا الإطار بشكل كامل من التوجهات الشرطية الموجودة داخل نماذج الانتشار المدربة مسبقًا. في جوهره، يقدم نظام Infer-Perturb-Guide (IPG)، الذي يدمج بسلاسة ضمن خطوات إزالة الضوضاء غير المشروطة في عملية التوليد العكسية.

البداية تأتي من استنتاج الاتجاه الفوري للتقييم من خلال مطابقة توقعات الضوضاء الشرطية وغير الشرطية. يلي ذلك إنشاء مجال جاذبية متوازي ومت orthogonal لضمان التقارب الصارم، إلى جانب قوة طرد تركز على التنوع المتبادل، مما يخلق متجهًا perturbation ديناميكيًا. وأخيرًا، يقوم هذا الهدف المتلاشي بتوجيه عملية التوليد عبر توجيه بدون مصنف (Classifier-Free Guidance).

تظهر التجارب الواسعة عبر 51 مهمة أن ParetoPilot يتفوق على 14 نموذجاً من التقنيات المتقنة المستندة إلى النماذج البديلة. من خلال إلغاء الحاجة للتدريب على نماذج وسيطة، يضمن نهجنا الحفاظ على خصوصية البيانات بينما يحقق تحسينات ملحوظة في الحجم الأمامي (Hypervolume) ويغطي واجهة Pareto بشكل قوي.