本文提出了一种针对可视化任务空间结构的全计算方法，建立起一个任务转移学习的计算分类图谱，并研究了这种结构的一些影响，例如，减少标记数据的需求等。

Apr, 2018

本篇文章通过开发一个大规模、多任务训练体系，研究了不同任务之间的相互关系，提出了一个单一模型，可以在视觉问题回答、基于标题的图像检索、引用表达和多模态验证等四个广泛的任务范畴下，同时取得以往 3 亿多参数内单一任务模型的总和，且性能提高了 2.05 个百分点，并进一步表明，从单一多任务模型微调任务特定模型会进一步提高性能。

Dec, 2019

本文提出了一种方法来选择哪些任务应该在多任务学习模型中共同训练，该方法通过训练所有任务并量化一个任务的梯度对其他任务损失的影响来确定任务分组，实验结果表明相较于在一起训练所有任务，该方法可以在 11.6 倍的速度下将测试损失降低 10％。

Sep, 2021

本文提出一种基于关注机制的多任务联合失败检测方法，该方法能够评估多个视觉感知任务在图像不同区域的预测准确率和失效率，利用监督式多任务不确定性估计及其对应的预测误差，实现更准确的预测误差估计。

Oct, 2021

多任务学习通过使用共享资源同时计算多个输出，具有比传统方法更低的内存需求和推理时间，本综述主要研究多任务学习如何在不同的部分监督设置下应用以解决相关挑战。

Jul, 2023

本文介绍了一种名为 Selective Sharing 的方法，通过在模型训练过程中学习辅助潜在特征，从而自动将任务分组并允许它们相互共享知识，旨在解决多媒体应用常常需要同时处理多个任务，但这些任务关系复杂，领域专家知识不足的问题。在分类、回归和排名任务的 5 个数据集上进行实验，与强基线和最先进的方法进行比较表明，在准确性和参数计数方面始终有所改善。此外，作者还进行了激活区域分析，展示了 Selective Sharing 如何影响所学的表示。

Apr, 2019

本文研究了多任务数据和部分标注的情况下，联合学习物体检测和语义分割这两个最流行的视觉问题，通过知识蒸馏实现多任务优化，并通过实验结果表明了多任务学习和知识蒸馏在性能上相对于单任务学习和完全监督场景的优势。

Nov, 2023

本文提出了一种基于分布匹配的方法，将多个任务进行弱监督的共同训练，建立了第一个全面学习面部行为的框架 FaceBehaviorNet，并利用该框架进行了零 / 少样本学习，实现了好于现有方法的效果。

May, 2021

多任务学习中，我们提出了一种名为 JTR 的技术，通过利用任务之间的关联性，在单个联合任务的潜在空间中同时调整所有任务的参数，以提升在数据不完全标记的情况下的学习效果。我们在基于 NYU-v2、Cityscapes 和 Taskonomy 的各种部分标记场景中对我们的方法进行了广泛的基准测试来验证其有效性。

Apr, 2024

UniNet 是一种统一的场景理解网络，通过多任务学习，利用对抗攻击研究任务相关性，并表明语义和几何任务之间的相互作用是不对称的，任务之间的相互作用会随着移向更高的层级表示而变弱。

Aug, 2021