本文提出了一种名为 Multiplexed Multilingual Mask TextSpotter 的多路复用多语言 OCR 方法，该方法可以在字级别上执行脚本识别，并通过多个识别头来处理不同的脚本，同时维护统一的损失函数，从而实现脚本识别和多个识别头的优化，本方法具有较高的识别能力和多语言 OCR 系统的潜力。

Mar, 2021

利用最新的端到端语音识别技术，我们提出一种使用通用字符集和网络内自适应机制的多语音种语音识别系统，其可优于单一多语种或多任务学习方法，并可用于代码转换场景。

Nov, 2017

本文提出了一种基于深度神经网络的序列标注方法，其包含多语言、多任务学习和交叉语言联合训练，并在包括词性标注、分块和命名实体识别等多个任务中取得了最优性能。

Mar, 2016

本文介绍了基于 RRC-MLT-2017 的文本检测和识别竞赛，该竞赛包含一个新的端到端任务、一个现实图像数据集中的额外语言，一个大规模的多语言合成数据集以辅助训练，并提出了一个基线端到端识别方法。该竞赛总共收到了来自研究和工业界的 60 份提交，本文展示了该竞赛的数据集、任务和发现结果。

Jul, 2019

该研究提出了一种新型的线级别手写体识别方法，并将线级别手写体识别问题重新构建为序列标签问题，使用编码器和汇总器训练端到端解决该问题，并在扫描书籍和照片中测试，在 30 种书写系统和 232 种语言中，相比传统方法，提高了 16% 的正确率，并减少了因识别错误导致的 33% 的字符错误率。

Aug, 2017

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

本研究通过建模探索基于 Transformer 的多语言语言模型在零样本跨语言转移上的性能预测，并将其视为多任务学习问题，从而建立准确的预测模型。我们的方法还同时进行了特征选择，识别出对多个任务的零样本表现具有影响的共同特征。

May, 2022

本研究为了训练数据不足的低资源语音识别问题，提出了一种采用邻近语言的类似单元构建哈夫曼树实现多语言分层 Softmax 解码的方法，实验结果显示该方法有效。

Apr, 2022

本研究提出一种新方法来进行多任务学习中的任务分组，弥补了现有方法的关键理论和实践限制。与以前的研究不同，我们的方法提供了一个更具理论基础的方法，不依赖于构建转移增益的限制性假设。同时，我们还提出了一种灵活的数学规划方法，可以适应广泛的资源约束，从而增强了其多样性。在计算机视觉数据集、组合优化基准和时间序列任务等多个领域的实验结果表明，我们的方法优于广泛的基线方法，验证了其在多任务学习中的有效性和普适性。

Feb, 2024

本文提出了基于多任务学习框架的神经网络方法，采用循环神经网络来建模具有特定任务和共享层的文本，并在四个基准文本分类任务的实验中显示出该方法可以提高其他相关任务的性能。

May, 2016