通过自我监督辅助学习实现多任务学习的表示学习

提出了一种正则化公式，用于在多任务学习中学习任务之间的关系，能够建模正相关、负相关和异常任务。

通过交替优化算法优化模型参数和任务关系，实验结果表明该方法有效。

研究了多任务学习中的共享表示问题，提出了一种新的深度多任务表示学习框架，实现了知识共享的自动学习。

提出了一种新的梯度正则化方法，通过近似正交梯度减少任务干扰，取得了竞争性结果。

提出了一种框架，通过利用大型辅助任务和共享信息，学习在有限样本和部分重叠标签下的多任务。

提出了一种新的多任务学习框架，联合学习潜在特征和显式任务关系，降低了泛化误差。

利用任务间关系先验知识，通过组稀疏方法捕获公共特征，提高多个相关任务的泛化性能。

提出了一种名为JTR的技术，通过任务关联性提升在数据不完全标记情况下的学习效果。

提出了一种具有共享信息的可解释性预测系统，能够在不同多任务设置中进行预测，提供可解释性的度量。