该研究提出了一种基于非静态多臂赌博机的折扣汤普森采样的多模态多任务对话行为分类任务的任务选择和分配方法。实验结果表明，该方法相比单任务和多任务基线模型在 UAR 和 F1 方面显著优越，对于数据不平衡问题的数据集具有显著更高的稳定性，并且能够获得一致且良好的少数类性能。

该研究提出了一种基于非静态多臂赌博机的折扣汤普森采样的多模态多任务对话行为分类任务的任务选择和分配方法。实验结果表明，该方法在不同的训练阶段可以有效地识别任务效用，并在训练过程中主动避免无用或有害的任务。相比单任务和多任务基线模型在 UAR 和 F1 方面显著优越，P 值小于 0.05。此外，该方法对于数据不平衡问题的数据集具有显著更高的稳定性，并且能够获得一致且良好的少数类性能，相较于当前最先进的模型，该方法更为优越。