EMAN：通过多任务学习中的路径出现优化驱动的能力增长

arXiv:2608.16930v1 发布类型：新 摘要：现有的多任务学习方法依赖于硬共享、多路径或多专家、自适应共享和动态扩展。然而，它们的容量变化通常受到预定义结构的限制或由任务边界和冲突信号触发。这就提出了一个基本问题：网络能否从精确的单路径计算开始，并仅在持续优化证据出现时才生长出新的独立路径？我们提出了紧急模块化原子网络（EMAN），这是一种优化驱动的框架，用于通过潜在相对阶段暴露反对称增长方向，而无需实例化第二条路径，并用于在训练期间监控多个决策信号，以将局部优化证据转化为结构决策。 EMAN 仅在获得认证后才实现两条同等容量的独立路径。 EMAN 自适应地分配共享和特定于任务的表示能力，以适应不同的任务要求。对受控排名设置、PASCAL-Context 和 NYUv2 的大量实验验证了其有效性，以具有竞争力的计算成本实现了改进的性能。