基于高效层次化特征表征的无任务交互多任务学习

基于摘要分析。本文研究视觉密集预测中的多任务学习，针对显式任务交互可能引发的负迁移及大尺度特征处理开销，提出 Task-Interaction-Free Network（TIF）。其核心贡献是在共享编码器中增强多尺度、任务无关表征，再通过任务与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）用于丰富共享编码器各尺度的任务无关特征；Self-Feature Distillation Module（SFD）在较低尺度探索任务专属特征；Low-To-High Scale Feature Diffusion Module（LTHD）将全局像素关系从低尺度传播至高尺度。“无任务交互”并不意味着任务完全独立：各任务仍使用共享编码特征。摘要未给出这些模块的具体运算、蒸馏目标或训练损失。 作者报告，TIF 在公开多任务学习数据集上达到最优性能，但摘要未列出数据集、任务组合、划分、指标、对照基线及数值，因此尚不能判断其优势是否覆盖弱相关任务、计算效率或负迁移缓解。实验协议、消融及统计信息尚未验证，复现所需的实现与训练配置也需查阅全文确认。 平台推测（待验证）：若用于具有共享时空结构、且具备多任务监督的 EEG 数据，SAFF 与任务专属解码的组合可能对应“共享表征与任务差异如何兼顾”的问题；但像素关系传播需改造为时间、通道或时频关系传播。原文的视觉结果不能直接支持 EEG/BCI 有效性，低信噪比、通道布局差异、小数据及跨被试变化都可能削弱共享特征。一个可证伪的小实验是在固定 EEG 多任务数据与跨被试划分下，对照共享编码器加独立任务头的基线，逐步加入改造后的模块，同时记录各任务指标、负迁移情况与计算开销。已有相关 EEG 工作尚未检索确认。