- AAAI多任务学习在颈椎放射学报告中高效提取病理信息
本文验证了多任务学习是强大的分类器，可优于或等于多个基于 BERT 的模型和各种任务特定的适配器增强的 BERT 模型的性能，同时也开拓了我们的方法在各种身体部位的放射科医生报告中的应用范围。
- 利用外领域数据集增强多任务引文分析
通过利用外部数据集，该文提出了一个端到端可训练的多任务模型，覆盖引文情感分析和意图分析，并且可以克服引文分析领域的数据稀缺性问题。
- KDD多目标用户档案建模的虚拟核心专家混合方法
本文介绍了一种多任务模型（MVKE）来统一学习用户对不同类型行为和主题的偏好，其中使用 Virtual-Kernel Expert 来模拟用户偏好的不同方面，并且模型通过门控技术建立两个模型之间的信息融合，提高了模型的性能和效率。实验表明， - 基于角色关系建模的多用户对话故事叙述
本文探讨以人物为驱动的故事延续，引入角色之间的第一人称和第二人称叙述以及对话，需要模型选择与角色个性和关系一致并推动故事发展的语言。我们假设在训练人物对话和关系信息的多任务模型的基础上，改进了基于 Transformer 的故事延续。为此， - OmniDet：基于全景摄像头的自动驾驶多任务视觉感知网络
本文提出在未经校正的鱼眼图像上运行的多任务视觉感知网络来加强自动汽车系统的六个主要任务，其中包括深度估计，视觉测距，语义分割，动态分割，目标检测以及镜头污染检测，通过联合训练模型，在 KITTI 数据集上实现深度估计和姿态估计任务的最新结果 - IntentNet: 从原始传感器数据中学习预测意向
该研究开发了一种能够利用 LiDAR 传感器产生的 3D 点云和环境动态地图的多任务模型，以识别其他交通参与者的意图，并实现减少自动驾驶应用程序反应时间的目的，与分离模块相比达到更高的准确性和节省计算资源。
- 序列推荐的对比学习
提出了一种用于顺序推荐的对比学习多任务模型 CL4SRec，在传统的下一个项目预测任务的基础上，从原始用户行为序列中提取更有意义的用户模式，并进一步有效地编码用户表示，通过构建自我监督信号和数据增强等手段，来解决数据稀疏性和参数优化问题，并 - ACLfastHan: 一个基于 BERT 的中文 NLP 多任务工具包
fastHan 是一个开源的工具包，提供中文自然语言处理的四个基本任务：中文分词，词性标注，命名实体识别和依存句法分析。使用一个基于裁剪 BERT 的多任务模型。fastHan 在 13 个任务上获得了接近最先进性能的结果，并且在依存句法和 - ICCVSkyScapes -- 空中场景的细粒度语义理解
介绍了一个名为 SkyScapes 的空中图像数据集，利用该数据集进行密集语义分割和多任务预测，并提出了一种新的多任务模型，相较于基准模型在目标区域轮廓和细节级别方面取得了显著的改进。
- EMNLP基于学习精神的信息寻求：一份面向谈话好奇心的数据集
通过 Wizard-of-Oz 对话任务，探索了用户对已知事实的回应与对话参与度之间的相关性，进而提出一种结合用户先前知识的多任务模型，使得数字助手能够更好地理解用户需求并提高用户参与度。
- 联合监督与自监督学习 3D 现实世界挑战
本文介绍了基于自监督式多任务模型的方法，用于解决数据稀缺性和跨域数据集问题，提高 3D 形状分类与部分分割的效果。
- ACL生成事实检查解释
本文针对自动事实检测的不足之处，提供了首个研究可利用可用的声明上下文生成自动化证明，并且演示了一项同时优化判断准确性预测和证明生成的多任务模型平均性能更好。
- 基于形式不可知元学习的数据高效直接语音翻译
本文提出了一种基于元学习算法采用模态不可知的多任务模型，将源任务 ASR + MT 的知识转移到目标任务 ST 中，以应对 ST 任务短缺数据的问题，该方法在英德和英法语音翻译任务中取得了最新的最佳性能结果。
- ICCV点云的无监督多任务特征学习
该研究提出了一种无监督的多任务模型，用于联合学习点云上的点和形状特征，并定义了三个无监督任务来训练多尺度基于图形的编码器。结果表明，与之前的无监督模型相比，该模型在形状分类和分割基准上表现优异。在 ModelNet40 分类任务中，准确率达 - EMNLP图像字幕中的组合泛化
该论文研究了图像编码模型的组合推广问题，使用多任务模型相结合的方法，结合了描述生成和图像 - 句子排序，并使用重新排序的解码机制，该模型在描述未见过的概念时比现有现有模型表现更好。
- 超参数优化的元代理基准测试
提出了一种通过元代理模型来解决超参优化问题中的样本不足和较大问题实例计算昂贵的方法，该模型结合了概率编码器和多任务模型，可生成成本低廉且逼真的诸如感兴趣问题类别的任务，表明在样本生成模型上进行超参数优化方法的基准测试，可以比使用原始任务快几 - 基于时间注意力机制的视频行人属性识别方法
本研究提出了一种基于视频的多任务模型与时间注意策略相结合的新网络结构，解决行人属性识别方面的挑战。同时，本文还公开发布了两个新的大规模视频数据集，用于展示该方法的有效性。
- AAAI在线购物助手的深度级联多任务学习
本研究提出了一种基于多任务学习的模型，结合级联和残差连接，并使用新的中国电子商务购物助手数据集来解决对话系统中的语音理解问题，可以提高准确率并已在电子商务平台上实现。