本文提出了一种基于特征层次的多任务学习模型，实现了对任务关系的探索，并对合成数据和真实世界数据进行了实验验证，结果表明该模型的准确性在各种任务关系程度下表现最佳，具有较高的应用价值。

Jun, 2012

本文提出了一个利用任务间关系先验知识、通过对共享特征赋予类似系数惩罚、以及通过组稀疏方法捕获公共特征的多任务学习框架，将其定义为一个非光滑凸优化问题，在真实世界数据集的回归和分类任务上实验证明该算法可以提高多个相关任务的泛化性能。

Jan, 2023

本文提出了一种新的谱范数方法，用于多任务学习，假设任务被分成不同的群组，每个群组具有相似的权重向量，并演示其在合成数据及 IEDB MHC-I 结合数据集上的优秀表现。

Sep, 2008

本文提出了一种新型 MTL 模型，通过交替极小化算法解决任务关系结构和任务参数的联合估计问题，应用于回归和分类问题，结合灰色图模型结构学习得出任务关系结构。在温度预测等多个数据集中，该模型展现出了显著的表现优势。

Sep, 2014

通过引入层优化的多任务（LOMT）模型，利用结构化稀疏性来优化任务选择性特征，并提高多任务学习（MTL）框架的性能，将任务特定的解码器连接到经过策略性识别的层，实现网络的定制化架构，减少冗余，优化网络。

Jun, 2024

多任务学习 (MTL) 在医学图像分析中显示出巨大潜力，通过提高学到的特征的泛化能力和各项任务的性能。本研究将 MTL 作为一个多 / 双层优化问题，采用合作式的方式让特征从各任务中学习，以减轻优化过程中的负迁移问题。实验证明了该方法的有效性，并且与最先进的 MTL 方法相比取得了有希望的结果。

Sep, 2023

多任务学习中使用高阶张量表示任务间的结构关系，并通过线性组合共享因子、特定因子来模拟任务关联，提出通用的基于低秩的多任务学习方法，证实了该方法在多任务学习中的有效性和优越性。

Aug, 2023

本文研究了多任务学习领域的一种新方法，使用名为 Sharpness-aware Minimization 的训练技术，以提高单任务学习的通用性和多任务学习的性能。实验表明，该方法在多个应用程序中都有很好的表现。

Nov, 2022

本文提出了一种新颖的多任务学习框架，称为自适应步进多任务学习，该框架通过同时考虑任务和实例的复杂性来共同学习任务。通过提出一种新的面向任务的正则化器，可以联合优化任务和实例，从而可以解释为多任务学习中的自适应学习器。而且作者还设计了一种简单而有效的算法来优化目标函数。通过对玩具数据集和实际数据集进行实验，结果表明与现有的最先进方法相比，提出的方法具有更好的性能。

Apr, 2016

多任务学习通过鲁棒正则化聚类（MTLRRC）方法，同时进行鲁棒任务聚类和异常任务检测，提高估计和预测性能。

Apr, 2024