本研究提出了一种无训练的冲突感知任务合并（CAT合并）方法，旨在解决多任务模型合并中的知识冲突问题。通过剔除冲突组件，CAT合并在视觉、语言和视觉-语言任务上有效提升了准确率，平均提高2.5%和2.0%。

本研究提出了一种LED合并框架，旨在解决大型语言模型微调中的安全性与效用之间的冲突。通过定位特定神经元、动态选择关键神经元并隔离冲突更新，降低有害响应率，同时保持高效能。实验结果表明，该方法为构建多任务模型提供了一种轻量级解决方案。

本研究探讨了如何无损合并多个计算机视觉任务的LoRA适配器，以构建多任务模型。结果显示，简单的合并技术在某些情况下优于传统微调方法。

本文探讨了众包数据标注中标注者的社会文化背景和经验差异导致的标签偏差，并提出提高数据集透明度的建议。研究表明，多任务模型能有效解决标注者间的不一致性，提升模型性能。同时，提出了预测标注员意见的模型，强调标注员多样性对公平性的重要性，质疑传统标注方法的有效性，呼吁关注数据标注的社会影响。

本文提出了TrIm方法用于多任务模型合并，解决了模型参数干扰问题。研究展示了该方法在大型语言模型和多模态模型中的应用潜力，实验结果表明其在多个任务中表现优异，具有更高的灵活性和适应性。

本文提出了TrIm方法（TIES-Merging），旨在解决多任务模型合并中因参数干扰导致的性能下降问题。研究表明，不同数据集间的合并模型准确性显著下降，而使用高准确性数据集可以提升合并效果。通过MuDSC框架和PLeaS算法，展示了模型合并的技术进展，并强调了其在大型语言模型和多模态模型中的应用潜力及未来研究方向。

本文探讨了任务算术学的微调机制，强调权重分离的重要性，并提出通过线性化技术改善多任务融合，以构建高效的多任务模型。研究揭示了预训练与微调模型之间的线性关系，并提出基于任务向量的新范式，展示了在数据稀缺情况下的优越性能。

本文介绍了一种基于卷积神经网络的CT重建系统，结合隐式正演补偿和迭代重建技术，显著提升了三维重建效果。研究提出了新的重建可信度评估方法，并通过多任务深度学习模型改善低质量CBCT图像。新算法在图像质量和重建速度上优于传统方法，适用于多种解剖结构的图像处理。

该研究提出了一种分阶段的自我训练框架，利用伪掩模和多任务模型来提升半监督语义分割的性能。实验结果显示，在PASCAL VOC 2012和ISIC 2018数据集上，相较于现有方法有显著提升。同时，研究探讨了弱监督方法和简化网络架构的有效性，强调在有限资源下实现高质量分割的潜力。

本文提出了一种自适应、实时且轻量化的多任务模型，能够同时处理目标检测、行驶区域分割和车道检测任务。该模型在BDD100k数据集上表现优异，尤其在可视化输出方面，且在真实场景中超越竞争对手，展现出灵活快速的特点。

该研究提出了一种用于顺序推荐的多任务模型CL4SRec，通过提取用户行为序列中的有意义模式和编码用户表示，解决了数据稀疏性和参数优化问题，在四个公共数据集上取得了领先性能。

本文介绍了一种基于进化的技术，能够生成支持动态添加新任务的大规模多任务模型，并在69个公共图像分类任务上取得了有竞争力的结果，错误率降低了15%。