Nash-MTL

新的BPGS方法增强了多任务学习的鲁棒性

研究人员开发了一种名为有界精度几何缩放（BPGS）的新方法，以改进多任务学习，尤其是在任务损失差异显著的情况下。BPGS通过有界sigmoid参数化映射每个任务的对数方差，将网络优化与不确定性优化解耦。在合成数据和真实世界基准（如NYUv2、Yeast和RF1）上的实验中，该方法比Kendall加权和Nash-MTL等现有方法更具鲁棒性，即使在损失尺度不匹配高达1000倍的情况下，性能下降也很小。