MT2ST：自适应多任务到单任务学习
原文中文，约400字，阅读约需1分钟。发表于：。传统的训练方法在多任务学习 (MTL) 的广度与单任务学习 (STL) 的深度平衡方面常常面临挑战。为了解决这个问题，我们引入了多任务到单任务 (MT2ST) 框架，一种创新的方法，可以将 MTL 的普遍性与 STL 的精确性相结合。我们的工作包括两个策略：' 减弱 ' 和' 切换 '。' 减弱 ' 策略将逐渐减小辅助任务的影响，而 ' 切换 ' 策略则涉及在训练过程中的特定时间点从多任务转向单任务。
多任务学习（MTL）是一种灵活有效的学习方法，结合了任务特定和共享信息，解决多个相关任务。本综述从传统方法到深度学习和预训练模型的最新趋势，全面概述了MTL的发展，并将其分类为正则化、关系学习、特征传播、优化和预训练五个关键领域。综述还探讨了MTL从处理固定任务到接受无任务或模态限制的灵活方法，讨论了任务提示、不可知训练和零样本学习的概念，展示了MTL的潜力。综述旨在提供对MTL从1997年到2023年的最新进展的全面概述，同时探讨当前挑战和未来可能性，为MTL研究指明方向。
