综述：Multi-Task发展现状及未来趋势

Taxonomy Different Views

By Methodology

• Instance-based
  Identify useful data instances in a task for others task
• feature-based
  • Feature learning approach
    原始特征可能不能充分被其他任务利用
    • Feature Transformation Approach
      通过线性变化、非线性变化学习原始特征
    • Feature Selection Approach
      • 选择原始特征的一个子集作为学习的表征
      • 根据不同的标准消除无用特征
  • Deep learning approach
    • Hard Parameter Sharing
      • 所有任务之间共享隐层
      • Keeps several task-specific output layers
    • Soft Parameter Sharing
      • 每个任务有自己的模型参数
      • 通过参数的约束加强参数的相似度
• parameter-based
  • Dirty Approach
    • low-rank approach
      多个任务的相关意味着参数矩阵是低秩的，因此可以通过各种不同的方式对损失函数进行约束加强稀疏。
    • decomposition approach
      假设参数矩阵 可以被分解为多个部分，然后通过不同的惩罚系数进行约束
  • task clustering approach
    假设所有任务都在很少的几个类中，而一个类中的任务是相关的，同一个聚簇中的任务共享参数
    • First, cluster the tasks into groups
      • Learn a task transfer matrix
      • Minimizing pairwise within-class distances
      • Maximizing pairwise between-class distances
    • Second, learn classifier on the training data of tasks in a cluster
      • A weighted nearest neighbor classifier is proposed
  • task relation learning approach
    大部分multi-task都是假定多个任务具有相关性。但是如果我们不知道任务之间的相关性，这时应该怎么自动从数据中学习任务之间的相关性。
    • Task relations are assumed to be known as a priori information
      • Similar task parameters are expected to be close
      • Utilize task similarities to design regularizers
    • Learn task relations automatically from data
      • Global learning model
        • Multi-task Gaussian process (defined as prior on functional values for training data)
        • Keep the task covariance matrix positive definite
      • Local learning model
        • Ex., kNN classifier (learning function as a weighted voting of neighbors)

辅助任务

• unsupervised
• semi-supervised
• active learning
• Reinforcement Learning
• online learning
• multi-view

重点投入领域

feature-based和paramter-based是目前主要投入的方向，这两个方向分布覆盖了不同的应用场景：1）原始特征需要变换之后才能更好的被target domain利用；2）而parameter-based则面向的是领域相关，但是在参数上模型之间可以共享的场景。

• feature-based
  • Feature learning approach
    • Feature Transformation Approach效果要比Feature Selection Approach更好，并且泛化性更好。虽然Feature Selection Approach解释性更好，但是目前我们对解释性的要求稍低。
    • 原始特征不能直接就能应用到target domain的场景
  • Deep learning approach
    • Hard Parameter Sharing
    • Soft Parameter Sharing
• parameter-based
  领域相关，但是在参数上模型之间可以共享。
  • low-rank approach
  • decomposition approach
• task relation learning approach
  目前我们做multi-task任务时，任务之间的相关性大都基于人工的判断。如果我们能在该领域给出一个领域相关性的判断，对于做multi-task任务更加省力，并且对于整体体系更完整。

参考文献

• A Survey on Multi-Task Learning
• An Overview of Multi-Task Learning in Deep Neural Networks