本研究提出了一种单位语言方法，以解决无文本语音到语音翻译模型在提取跨模态语言特征和学习语言对齐方面的挑战。通过多任务学习，模型性能显著提升，实验结果与文本训练模型相当。

本研究提出了一种新颖的多任务学习方法——多模态低秩专家混合（MMoLRE），有效解决了多模态情感分析与情绪识别中的参数冲突问题，提升了两者的表现。

本研究分析了专用多任务优化器（SMTOs）与统一损失在多任务学习中的效果差异。实证结果表明，固定权重在某些情况下可与SMTOs竞争，统一损失在特定实例中也表现出类似于SMTOs的效果。这为多任务学习的优化方法提供了重要启示。

本研究提出了一种统一多任务学习与模型融合的方法，以提高语言模型的防护效率。通过生成特定任务数据，训练出更小且性能优越的分类器，显著提升了对不安全和安全行为的检测能力。

本研究提出了华为翻译服务中心的端到端文档图像机器翻译系统，解决了复杂布局问题。通过多任务学习和感知链思维的训练框架，显著提升了OCR和非OCR文档的翻译效果。

本研究提出了一种多任务平衡通道注意力卷积神经网络（MT-BCA-CNN），旨在解决水下声学目标识别中的样本匮乏和环境干扰问题。该模型结合了通道注意力机制和多任务学习，优化了目标分类与特征重建。实验结果表明，MT-BCA-CNN在27类少样本场景下实现了97%的分类准确率和95%的F1分数，优于传统方法。

本研究提出了两种有效的方法，以解决多任务场景下模型合并性能下降的问题。实验结果表明，这些方法在样本数量和训练步数上优于传统多任务学习，显著提升了模型性能。

本研究提出了一种改进方案，针对医疗通用基础模型在多任务学习中的不足，引入以图像为中心的多注释X光数据集（IMAX），使七个医疗任务的学习能力平均提升3.20%至21.05%。

本研究提出了一种新型多任务学习框架DG-STMTL，用于智能交通系统中的时空交通预测。该框架结合静态和动态邻接矩阵，通过特定门控机制提高预测精度，实验结果表明其优于现有方法，具有良好的效果与稳健性。

本研究提出了多任务学习框架EO-IUR，针对非完整发言重写中的冗余标记和训练数据集规模有限的问题。该方法通过编辑操作标签引导生成模型关注关键标记，并引入发言增强策略，实验证明在开放域和任务导向对话中优于现有技术。

本研究提出了一种新方法——Frank-Wolfe合并（FW-Merging），旨在解决多任务学习中模型合并的适应性和扩展性问题。FW-Merging通过约束优化显著提高了合并的准确性和稳定性，实验结果表明其在多个模型合并中表现优异，且内存开销保持恒定，具有潜在应用价值。

本研究提出了一种基于对称传输持续优化（COST）的方法，旨在解决多任务学习中的优化冲突和任务不平衡问题。COST通过寻找损失景观中的等效点，显著提升了多任务学习的性能，展现出良好的通用性。

本研究提出了一种多任务学习框架，联合进行答案提取和医学分类，显著提高了答案分类准确率，展示了其在医疗场景中的潜在价值。

本研究提出了一种新的多任务离线多智能体强化学习算法——技能发现保守Q学习（SD-CQL），旨在解决现有方法在新任务上需重新训练的问题。SD-CQL通过重构观测值发现技能，展现出优越的任务效率和泛化能力，在14个任务集中性能提升达到65%。

本研究提出了一种统一的多任务学习框架，针对音乐情感识别中的情感标签异构问题，结合类别和维度标签进行训练。该框架通过有效的输入表示和知识蒸馏技术显著提升了模型的泛化能力，尤其在MTG-Jamendo数据集上表现优于现有模型，推动了音乐情感识别的发展。

本文提出了SpatialVLA模型，旨在解决机器人操作中的空间理解问题。通过引入Ego3D位置编码和自适应动作网格，提升机器人在多任务和新环境中的适应能力。实验结果表明，该模型在复杂动作轨迹推理和多任务学习方面表现优异。