本研究提出了一种标签高效的方法，针对部分注释的数据（即每个图像不都有所有任务标签），在多个密集预测任务上联合学习，通过保留输入图像的高级信息，并成功利用任务关系对多任务学习进行监督学习的多任务训练程序。我们严格证明了我们的方法可以有效地利用具有未标记任务的图像，并且在三个标准基准测试中优于现有的半监督学习方法和相关方法。

Nov, 2021

提出了一种正则化公式，用于在多任务学习中学习任务之间的关系，可以对正相关、负相关和异常任务进行建模，在对称和非对称多任务学习设置下，使用交替优化算法， 对模型参数和任务之间的关系进行优化。实验结果表明这种方法的有效性。

Mar, 2012

本文提出了一种基于参数服务器的分布式多任务学习框架，通过提供正则化多任务关系学习方法的对偶形式和一个通信有效的原始对偶分布式优化算法来同时学习每个任务的预测模型和任务之间的关系，以及提供针对分布式多任务关系学习的理论收敛分析。

Dec, 2016

通过使用转移学习、无监督自学习、无监督多任务学习、基于度量的正则化项和时间任务集合（TTE）等技术来学习泛化特征表示，避免了整个网络倾向于特定任务的状态，并在分类、目标检测和嵌入聚类等任务中表现出比现有方法更有效的性能提升。

Aug, 2019

本文介绍一种基于一致性损失的计算机视觉多任务联合训练框架，充分利用多任务之间的内在关联性，实现对多个关联任务的同时训练及性能提升，并且减少数据标注的需求，支持无监督学习和模拟数据训练。测试结果表明，该框架在深度 / 法向量预测、语义分割、3D 运动 / 自身运动估计、点云物体跟踪和 3D 检测等任务上，皆有显著提升。

May, 2020

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

通过弱监督的方式，我们开发了一个联合多任务 Transformer 架构，用于预测肿瘤学领域的两个关键预测生物标志物：微卫星不稳定性和同源重组缺陷，并通过辅助回归任务相关于肿瘤微环境，对此进行了培训和评估。使用我们的新方法，在外部队列中，相对于接收器操作特性下的最佳结果，对于预测微卫星不稳定性和同源重组缺陷，分别提高了 7.7％和 4.1％，同时通过 8％和 5％的更好嵌入聚类获得了更好的结果。

Mar, 2024

为了创建能为多样用户提供服务的机器学习系统，需要不仅实现高的平均性能，还要确保在不同群组中公平的结果。本文研究了多任务学习在最差群组准确性和群组公平性挑战中的潜力，并提出了通过对多任务表示空间进行正则化改进的方法。实验结果表明，我们的正则化多任务学习方法在最差和平均群组结果上都优于现有方法。

Dec, 2023

本文提出了一种名为 EMTL 的新型多任务学习优化方法，通过正则化不同任务的相对贡献，在更新共享参数时改善了多任务学习的泛化性能，并通过扩展实验验证了该方法的稳定性和优越性。

Jun, 2023

通过引入结构化 3D-aware 正则化方法，将深度神经网络与多任务背景相结合，可以改善性能。

Oct, 2023