标签
本文研究了针对客户支持大语言模型的微调策略，比较了在多个模型家族中的多任务训练、顺序更新和模型合并。研究得出结论，多任务全量微调是最稳健的默认选择，而专业模型在任务外性能下降，并且需要可靠的路由。
本文介绍了轻量级排序头框架，通过启用动态任务注入，无需重新训练骨干模型，来加速生产推荐系统中的多任务实验，从而在YouTube规模下将迭代周期从数周缩短至数天。
MT-ProtBERT是一个多任务学习模型，旨在通过整合自监督和生物化学信息任务，在数据稀缺条件下分类本征无序蛋白，并超越如PARROT等现有方法。
本文推导了资源充足学习中精确的任务信息-状态前沿，展示了有限的先验任务信息如何通过低秩算子的分区减少保留状态，并应用于注意力和数字孪生模型。
本文介绍了AALT，一种组成感知的主动模仿学习方法，该方法将示范组织成潜在拓扑，以最大化起始-目标连通性，从而在结构化多任务机器人领域中，以最少的专家查询提高任务成功率。
本文首次对多任务学习在预测过程监控中的应用进行了全面的实证研究，展示了在下一活动预测和类不平衡缓解方面相较于单任务学习的改进。
本文介绍了TAPe+MLv3，一种紧凑的计算机视觉系统，它使用结构化表示进行多任务学习，在COCO等基准测试上取得了具有竞争力的性能，且参数少于100,000。
本文提出一种用于处理不完整模态的鲁棒多模态情感分析的语义感知完整性估计方法，旨在提高情感相关线索缺失时的准确性。
本文提出了一种利用多功能嵌入模型结合多任务学习实现科学出版中资助机构名称消歧的框架，准确率超过0.90，性能优于GPT-5.2等通用大语言模型。
SHELF 是一个合成工具，用于评估大型语言模型在多任务文献基准测试中的适用性，通过提供受控数据和评估任务来解决现有基准测试（如 MTEB）中的不足，适用于图书馆和档案馆。
论文介绍了TPGC，一种用于多任务图预训练的双先验提示初始化方法，该方法结合任务和结构先验以提高对齐性和可迁移性，在小样本场景中实现了优越的性能。
研究表明，不同的表征学习目标能从心理测量数据中恢复出不同的潜在结构，其中对比学习目标增强了教师-儿童的检索能力，而基于PCA的方法则更好地保留了行为表型的组织结构。
本文提出了一种多任务学习方法，通过利用轮次交替动态来增强多方对话中的意图识别，其性能优于忽略交互模式的现有方法。
本文介绍了PromptKWS，一种新颖的提示引导开放词汇关键词识别框架，利用提示嵌入和交叉注意力来提高准确性，在唤醒率和准确率方面分别比基线系统提高了超过10%和15%。
该论文研究了融合差分隐私任务模型时遇到的几何挑战，并提出了DP-Merging框架，在维持隐私保障的同时增强了模型的可融合性。
本文提出了一种通信约束下去中心化学习的统一框架，引入了DMFL-SQ算法。该算法结合了基于图的个性化、无关公平性和压缩通信，以在保持预测性能并提升客户端间公平性的同时减少通信开销。
DeMMO是一个可解释的框架，通过多任务学习实现纵向、多疾病和多结果的数字移动性结果学习，在Mobilise-D数据集上相比基线取得了改进的预测性能。
MoTE 在多任务视频理解中引入了任务特定的专家路由，以替代密集的解码器前馈网络，通过可解释的稀疏计算提高了准确性和效率。
本文介绍了SLAaaT，这是一种使AI智能体在轨迹中动态切换专用LoRA适配器的方法，提高了能力的组合性，并在合成编码任务上超越了基线。
EMAN是一个优化驱动的多任务学习框架，通过监控优化证据自适应增长网络容量，在PASCAL-Context和NYUv2等基准测试上实现了性能提升。