多任务学习——【RecSys 2020】【腾讯视频】PLE

当不同的学习任务之间较为相关时，多任务学习可以通过任务之间的信息共享，来提升学习的效率。但任务之间的相关性并不强，多任务学习可能带来负迁移（negative transfer）跷跷板现象，相关性不强的任务之间的信息共享会影响网络的表现。

腾讯视频提出CGC，其实就是在MMOE（参阅：《多任务学习——【KDD 2018】MMoE》）的基础上加上Customized Sharing：

每个任务除了有共享的Experts，还有独有的Experts，这样就很好的降低了相关性不强的任务之间的信息共享带来的问题。如第k个任务的控制门公式为：



S k ( x ) S^k(x) Sk(x)则是第k个任务的Experts的输出，包含了 Experts k和Experts Shared。

PLE就是多层的CGC。多层堆叠共享的Experts也是基于同样的控制门机制往后输出：

标签：任务,学习,PLE,Experts,相关性,2020,共享,多任务,RecSys
来源： https://blog.csdn.net/u011239443/article/details/119281296