基于高效层级特征表示的无任务交互多任务学习

基于摘要分析。该研究面向视觉密集预测中的多任务学习，针对弱相关任务联合训练时可能出现的负迁移，以及大尺度特征处理带来的计算开销，提出 Task-Interaction-Free Network（TIF）。其核心是增强共享编码特征，再通过任务及尺度专属解码器完成预测，而不依赖显式设计的任务交互模块。 机制上，Scale Attentive-Feature Fusion Module（SAFF）用于增强共享编码器各尺度的任务无关特征；Self-Feature Distillation Module（SFD）用于在较低尺度探索任务专属特征；Low-To-High Scale Feature Diffusion Module（LTHD）则将全局像素关系从低层尺度扩散到高层尺度。“无任务交互”指不使用显式任务交互模块，并不意味着任务之间不共享表示。摘要未提供损失函数、蒸馏目标、尺度定义或复杂度测量，具体实现尚未验证。 作者报告，TIF 在公开多任务学习数据集上达到最先进性能，但摘要未列出数据集、任务组合、划分、指标、对照方法及具体数值。因此，尚不能确认其优势分别来自共享特征增强、任务专属解码还是尺度扩散，也不能量化效率收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 多任务问题具备可共享的多尺度时序表示，假设可复用其“共享编码增强＋任务专属解码”的思路，以研究弱相关任务间的负迁移；但原方法依赖视觉像素与尺度结构，SAFF、SFD、LTHD 需适配时间、频率或通道关系，不能直接视为 EEG 方法。低信噪比、跨被试差异、通道布局变化及小样本可能使共享特征失效。可在固定数据划分与编码器容量下，小规模比较单任务、普通共享编码多任务和适配后的 TIF，检查各任务表现及计算开销，验证是否确实减轻负迁移。已有 EEG 相关工作尚未检索确认。