上海交通大学研究团队开发了一种小样本学习方法，能够提升蛋白质突变效果预测性能。该方法通过元学习构建辅助任务并训练蛋白质语言模型，成功将其转移到目标任务上。研究成果将在线上直播中分享。

本文介绍了一种基于表示学习的强化学习辅助任务发现方法，通过生成和保留高效用的辅助任务来提高数据效率。研究表明，辅助任务的表示学习在复杂环境中有利，显著改善强化学习性能。该方法通过自监督学习和未来预测，优化样本复杂度，推动多任务强化学习的发展。

在多任务学习中，一个任务的学习对其他任务的性能贡献较低。我们研究了这个问题，并在输入重建的背景下进行了评估。实验结果显示，辅助任务的性能有显著改进，基本任务的性能也得到了改善。这表明我们的方法产生了更简单、更兼容的表示。

AuxiLearn是一种基于隐式微分的新框架，解决了多任务学习中设计有用的辅助任务和损失函数组合的挑战。它能够学习任务之间的非线性交互，并生成有意义的新辅助任务。在图像分割和低数据情况下学习属性等多个任务和领域中，AuxiLearn表现出比竞争方法更出色的性能。

利用神经架构搜索的方法，在主任务推理成本不变的前提下，通过利用独立辅助任务的额外辅助标签来提高主任务性能。使用柔性的非对称结构对主任务和辅助任务进行训练和推理，通过演化网络中的主到辅助连接，在主任务推理过程中去除这些连接的单任务推理成本。在NYU v2、CityScapes和Taskonomy数据集上进行了实验，验证了其有希望的性能。

强化学习中的辅助任务对于复杂环境有益，学习环境动态性胜于预测奖励。这些洞察将帮助其他研究人员更好地利用表示学习解决问题。

强化学习中的辅助任务对于复杂环境有益，学习环境动态性胜于预测奖励。这些洞察将帮助其他研究人员更好地利用表示学习解决问题。

本文回顾了图神经网络在Tabular Data Learning中的应用，并指出了潜在关联性和特征间数值的不足。对GNNs在构建图结构和表示学习方面进行了分类，并讨论了辅助任务和实际应用领域。未来研究方向包括推动GNNs在TDL中的创新。

本文介绍了一种基于层级注意力双向LSTM网络的主题分割器，通过添加辅助任务和自注意力来建模上下文，超过了SOTA方法，在领域转移和多语言场景中表现出鲁棒性和有效性。

本文比较了辅助任务在强化学习中的应用，发现对于维度和复杂度较高的环境，辅助任务的表示学习是有利的，学习环境动态性胜于预测奖励。

该论文提出了一种使用隐式空间地图的目标导航方法，通过transformer递归更新隐式地图，并通过辅助任务训练模型。该方法在挑战性的MP3D数据集上表现优于最先进方法，并在HM3D数据集上具有良好的泛化能力。研究人员成功地在真实机器人上部署了该模型，并只使用了几个真实世界的演示就实现了令人鼓舞的目标导航结果。

生成式人工智能，如LLM，解决辅助任务和交互方式的问题。辅助任务包括信息查找、代码生成和转换，交互方式包括聊天界面和命令行界面。模型属性包括训练方式、大小、上下文窗口和过滤器。工具示例有GitHub Copilot、ChatGPT等。聊天互动和代码编辑器中的在线辅助是目前最常用的。未来改进包括模型大小、训练方式和微调。开源模型领域也在发展。