基于任务原型的知识检索：用于部分标注数据的多任务学习
机器学习
2026-01-13 v1 人工智能
计算机视觉与模式识别
摘要
多任务学习(MTL)在自动驾驶和机器人等实际应用中至关重要，使能够同时处理多样化任务。然而，由于标注成本，为所有任务获取完全标注数据是不切实际的。现有的部分标注MTL方法通常依赖于来自未标注任务的预测，这使得建立可靠的任务关联性困难，可能导致负迁移和次优性能。为此，我们提出一种基于原型的知识检索框架，实现稳健的MTL，而非依赖于来自未标注任务的预测。我们的框架包含两个关键组件：(1)任务原型嵌入捕获任务特定特征并量化任务关联性，(2)基于这些关联性自适应细化特征表示的知识检索变换器。为此，我们引入一种关联知识生成(AKG)损失，以确保任务原型持续捕获任务特定特征。广泛的实验表明，我们的框架有效，突显了其在即使只有一部分任务被标注时，仍具备稳健多任务学习的潜力。
引用
@article{arxiv.2601.07474,
title = {Task Prototype-Based Knowledge Retrieval for Multi-Task Learning from Partially Annotated Data},
author = {Youngmin Oh and Hyung-Il Kim and Jung Uk Kim},
journal= {arXiv preprint arXiv:2601.07474},
year = {2026}
}
备注
Accepted at AAAI 2026