本研究提出了一种高效的任务分组框架，旨在解决多任务学习中的负迁移问题。通过样本优化分析任务相似度，并采用图形聚类算法，计算速度提高了五倍，同时保持了性能的一致性，展现了其高效性和有效性。

本研究提出了一种新方法用于多任务学习中的任务分组，克服了现有方法的限制。该方法不依赖严格假设，采用灵活的数学规划以适应各种资源约束。实验表明，该方法在多个领域优于基线方法，证明其有效性和普适性。