一种可解释的多任务相似性度量：整合累积局部效应与加权 Fréchet 距离
机器学习
2026-02-10 v1 人工智能
摘要
在许多机器学习上下文中，任务通常被视为相互连接的组件，目标是利用它们之间的知识迁移，这是多任务学习(MTL)的核心目标。因此，这种多任务场景需要解决关键问题：哪些任务是相似的，它们如何以及为何表现出相似性？在这项工作中，我们提出了一种基于可解释人工智能(XAI)技术的多任务相似性度量，具体来说是累积局部效应(ALE)曲线。ALE 曲线通过 Fréchet 距离进行比较，并由数据分布加权，得到的相似性度量包含了每个特征的重要性。该度量适用于单任务学习场景（每个任务单独训练）和多任务学习场景（所有任务同时学习）。该度量是模型无关的，允许在不同任务间使用不同的机器学习模型。引入了一个缩放因子来解释任务间预测性能的差异，并为在复杂场景中应用该度量提供了若干建议。我们使用四个数据集验证了该度量，包括一个合成数据集和三个真实世界数据集。真实世界数据集包括一个著名的帕金森数据集和一个自行车共享使用数据集（两者均为表格格式），以及 CelebA 数据集，用于评估概念瓶颈编码器在多任务学习设置中的应用。结果表明，该度量在表格和非表格数据上都与任务相似性的直观预期一致，使其成为探索任务间关系和支持知情决策的宝贵工具。
引用
@article{arxiv.2602.07966,
title = {An Explainable Multi-Task Similarity Measure: Integrating Accumulated Local Effects and Weighted Fr\'echet Distance},
author = {Pablo Hidalgo and Daniel Rodriguez},
journal= {arXiv preprint arXiv:2602.07966},
year = {2026}
}