使用柔性的、非参数的贝叶斯模型在多任务学习中建立混合的因子分析器结构，以解决什么样的隐含任务结构最适合于一个给定的多任务学习问题通常不清楚的问题，并给出了变分推断算法用于这个模型。
Jun, 2012
本文提出了一种基于潜在多任务体系结构的方法，该方法可以在 OntoNotes 5.0 的人造数据和数据中的多种领域和四种不同的任务中，比以往任何一种学习潜在体系结构的多任务问题方法都表现得更优秀，可以实现高达 15% 的平均误差降低率。
May, 2017
通过学习如何从具有相似因果机制的训练任务中汇总数据，我们提出了基于因果相似性的层次贝叶斯模型，以改善对新任务的泛化能力。我们将这一泛化建模原则应用于贝叶斯神经网络，并通过对模拟和实际数据的一系列实验展示了我们方法的优势和实用性。
Oct, 2023
该研究提出了一种多任务学习的方法，将来自各种不同数据集的任务共享视觉语言表示。结果表明该方法在图像字幕检索、视觉问答和视觉定位方面比先前的单任务学习方法表现更好，同时通过可视化注意力图分析了学习到的分层表示。
Dec, 2018
本文提出了一种基于梯度的分层结构的元学习方法，该方法通过任务聚类结构以及自适应知识传递来解决元学习中任务不确定性和异质性问题，并在玩具回归和少样本图像分类问题中取得了最优表现。
May, 2019
本论文提出了一种自动的多任务学习算法，通过提出一种树形结构设计空间和将树形分支操作作为 Gumbel-Softmax 采样过程，实现了可微网络分裂与优化，实现了多任务网络的有效设计。
Jun, 2020
本研究介绍了一种使用多任务学习方式训练的分层模型，在一组精心选择的语义任务上取得了最新领先的结果，包括命名实体识别、实体提及检测和关系提取，无需手工设计特征或使用外部 NLP 工具，同时在模型的底层引入归纳偏差，促使模型产生共享语义表示。
Nov, 2018
本文针对多任务学习问题，提出一种学习任务和输入特征之间关系的联合预测方法，通过优化任务协方差和特征协方差矩阵，提出了一种高效的坐标轮流最小化算法，实验结果表明该方法比同类方法快得多，同时提供了一种非线性扩展方法，其泛化能力比现有方法更好。
Feb, 2017
该研究旨在提出一种基于贝叶斯非参数模型的任务 / 子任务分层提取模型，有着更好的性能，经过大量的实际数据实验验证，考虑任务 / 子任务的层次结构是至关重要的。
Jun, 2017
本文将逆向强化学习问题推广到多个任务，通过引入一定数量的结构化先验，我们将问题形式化为统计偏好提取。我们展示了我们的框架不仅允许我们从多个专家中有效地学习，而且还可以有效地区分每个专家的目标。
Jun, 2011