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。

本研究提出了一种高效的任务分组框架，旨在解决多任务学习中的负迁移问题。通过样本优化分析任务相似度，并采用图形聚类算法，计算速度提高了五倍，同时保持了性能的一致性，展现了其高效性和有效性。

本研究提出了一种基于代理信息的贝叶斯迁移学习方法（PROMPT），旨在解决目标任务中无法微调且不知源数据与目标任务对应关系的问题。该方法通过代理信息进行目标任务效果估计和源数据重加权，从而降低负迁移风险，提升迁移学习的有效性。

本文介绍了多任务学习的多种方法，如基于均方差误差的权重、知识蒸馏、方差系数和随机加权，旨在提升分类和回归任务的性能。同时，研究探讨了负迁移问题和样本级别加权算法SLGrad，强调了多目标优化在任务平衡中的潜力。