本研究提出了一种在低资源环境下提取法律决策摘要的技术，利用有限的专家注释数据。通过顺序模型定位相关内容和最大边际相关性处理冗余，生成有信息量的摘要。通过多任务学习模型变体进一步提高摘要器性能。实验结果表明，该方法能够与专业提取的摘要相匹配。

本研究提出了一种在低资源环境下提取法律决策摘要的技术，通过顺序模型定位相关内容并处理冗余，生成组合摘要。隐式方法帮助培训建议模型生成更多有信息量的摘要，多任务学习模型提高摘要器性能。实验结果表明，该方法能够实现与专业提取的摘要相匹配的得分。

本文介绍了一种新颖的多任务学习模型DeMTG，结合了可变形卷积神经网络和基于查询的Transformer，采用共享门控机制，具有任务特定的灵活性。与传统方法相比，DeMTG成本低、复杂度小、参数少。实验证明，DeMTG在三个密集预测数据集上使用更少的GFLOPs，优于竞争模型。