多任务学习中使用反馈机制建模输出层任务相关性

本文综述了多任务学习的算法建模、任务聚类及半监督学习，探讨其理论分析和未来方向。

介绍了Selective Sharing方法，通过学习辅助潜在特征自动将任务分组，允许任务间共享知识。

在分类、回归和排名任务的实验中，Selective Sharing在准确性和参数计数方面表现出改善。

提出了一种分布式和异步优化的多任务学习框架，能够提高模型的泛化性能。

研究了多任务学习与基于梯度的元学习之间的关系，证明了它们在优化公式上的相似性。

多任务学习通过共享资源降低内存需求和推理时间，适用于不同的部分监督设置。

提出了一种基于分布匹配的共同训练方法，建立了FaceBehaviorNet框架，实现了零/少样本学习的优越效果。

基于特征层次的多任务学习模型探索任务关系，实验结果表明其准确性表现最佳。

提出了一种可控Pareto多任务学习框架，实现多个任务之间的实时权衡控制。

新型MTL模型通过交替极小化算法解决任务关系结构和参数的联合估计问题，展现显著表现优势。