Naukowcy z zakresu optymalizacji wieloobjektywowej opracowali metodę MoRe (stochastic multi-objective regularity-aware), która znacznie przyspiesza zbieżność algorytmów MGDA w warunkach stochastycznych. Problem leżący u podstaw badań dotyczy szumu wprowadzanego przez mini-batch sampling, który prowadzi do odchylenia w kierunku aktualizacji i spowalnia konwergencję.
Klucz do rozwiązania tkwi w analizie matematycznej kierunku unikającego konfliktów (CA direction). Zespół wykazał, że w ogólnym przypadku kierunek CA jest tylko 1/2-Holder ciągły względem macierzy Jacobiana, a ten wykładnik nie może być poprawiony w najgorszym scenariuszu. Jednak pod dodatkowymi warunkami regularności, ciągłość ta ulega poprawie do Lipschitza. Ta obserwacja doprowadziła do opracowania adaptacyjnej metody, która automatycznie wybiera strategię: stosuje aktualizację kierunku CA gdy konflikt gradientów jest duży, a przełącza się na skalowanie liniowe w pozostałych przypadkach.
Teorętyczne udoskonalenie jest istotne - dotychczasowe metody takie jak SMG osiągały tempo zbieżności O(T^-1/4) w ustawieniach niewypukłych, podczas gdy proponowana metoda MoRe poprawia to do O(T^-1/2). To oznacza, że algorytm wymaga mniej iteracji do osiągnięcia żądanej dokładności. Wyniki mają znaczenie praktyczne dla wszystkich zastosowań wymagających równoczesnej optymalizacji wielu konfliktujących ze sobą celów, od czego-tam-do-czegoś.