该文介绍了一种基于不精确贝叶斯连续学习（IBCL）的方法，用于对付任务权衡偏好。IBCL 获得的模型具备辨别 Pareto 最优参数的保证，可以平均提高每个任务的准确率最多23％，峰值每个任务准确率提高最多15％，同时几乎没有或正向传递。IBCL 将训练开销从每个偏好训练1个模型减少到了针对所有偏好最多训练3个模型。