本研究提出了一种动态任务向量分组（DTVG）方法，旨在解决多任务提示调优中任务相似性细化不足的问题。该方法结合目标相似性和知识一致性，优化源任务组合，显著减少负迁移现象，并在26个NLP数据集上取得了先进的性能。

研究探讨大型语言模型在学习新语言时如何保持已掌握语言的性能。提出两阶段微调过程，发现任务相似性影响模型适应性，并验证微调方法在提升语言能力和保持任务性能上的有效性。

研究分析了迁移学习中任务相似性的理论，发现当目标任务与预训练模型的特征空间高度重合时，迁移学习效果优于从头训练，尤其在数据有限时能提升性能。

本文提出了一种理论框架，将任务相似性与在线凸优化和序列预测算法结合，提升元学习的实用性。该方法自适应学习任务相似性，优化动态任务环境中的算法性能，并改善少样本学习和联邦学习的表现。

研究探讨了连续学习在神经网络中的挑战，特别是灾难性遗忘。提出了一种理论分析任务关系和网络结构对遗忘和知识转移的影响。结果表明，任务间的输入和规则相似性影响学习性能，增加网络深度可减少遗忘。任务相似性降低时，性能显著变化，可能导致前行干扰。研究揭示了影响连续学习的重要因素，并提出避免遗忘的策略。

本文提出了一种理论框架，将任务相似性的复杂形式化与在线凸优化和序列预测算法融合，以提供更精确的转移风险界限。该方法适用于任务环境动态变化或任务共享几何结构的情况下，能够导出高效算法的平均情况后悔界限。通过改善几种流行的元学习算法，该方法在少样本学习和联邦学习问题上表现出更好的性能。

本文提出了一种理论框架，将任务相似性的复杂形式化与在线凸优化和序列预测算法融合。该方法能够自适应地学习任务相似性，提供更精确的转移风险界限，并在任务环境动态变化或任务共享几何结构的情况下导出高效算法的平均情况后悔界限。通过修改几种流行的元学习算法，改善了它们在少样本学习和联邦学习问题上的性能。