Vers une Regroupement Principé des Tâches pour l'Apprentissage Multi-Tâches

Cet article présente une nouvelle approche du regroupement des tâches en apprentissage multitâche (MTL), dépassant les méthodes existantes en abordant des limitations théoriques et pratiques clés. Contrairement aux études précédentes, notre approche offre une méthode plus théoriquement fondée qui ne repose pas sur des hypothèses restrictives pour la construction des gains de transfert. Nous proposons également une formulation flexible en programmation mathématique capable d'intégrer un vaste éventail de contraintes de ressources, augmentant ainsi sa polyvalence. Les résultats expérimentaux sur divers domaines, incluant des ensembles de données de vision par ordinateur, des benchmarks d'optimisation combinatoire et des tâches de séries temporelles, démontrent la supériorité de notre méthode par rapport à de nombreuses références, validant son efficacité et son applicabilité générale en MTL.