# 多任务学习（Multi-Task Learning, MTL）

## 核心定义
多任务学习是一种监督学习范式，核心思想是**同时训练多个相关任务**，利用任务间的共享信息与互补性，提升各任务的泛化能力与数据效率。与单任务学习逐一优化不同，MTL通过共享底层表征（如神经网络隐藏层）或引入任务间约束，迫使模型学习更鲁棒、更具迁移性的特征，尤其适合数据稀缺或任务噪声高的场景。

## 关键技术点
1. **硬参数共享**：最常见架构，所有任务共用底层隐藏层，仅在顶层设置任务专用输出层。大幅减少参数量，有效防止过拟合，适用于高度相关的任务。
2. **软参数共享**：为每个任务维护独立网络，通过正则化（如迹范数、L2距离）或注意力机制约束任务参数靠近，灵活性更高，可处理任务差异较大的情况。
3. **动态任务权重**：训练中不同任务的学习速度与收敛性差异大，需自适应调整损失权重（如Uncertainty Weighting、Gradient Normalization），避免某一任务主导梯度更新。
4. **任务关系学习**：自动学习任务间的相似性矩阵（如Task Embedding、Cross-Task Clustering），指导显式分组或稀疏共享，提升模型可解释性。
5. **渐进式多任务学习**：按任务难度或相关性顺序逐步加入任务，利用已学知识辅助新任务，适用于持续学习场景。

## 医学/神经科学应用场景
在**首都医科大学神经病学**研究中，多任务学习被用于**多模态神经影像联合分析**。例如，针对阿尔茨海默病（AD）的早期诊断，模型同时预测 **（1）临床痴呆评定量表（CDR）分数、（2）脑萎缩体积（海马体、内嗅皮层）、（3）淀粉样蛋白PET阳性概率**。通过硬参数共享从MRI与PET中提取共享萎缩-代谢模式，任务专用层分别输出回归与分类结果。该策略利用各任务间病理进程的耦合性（如海马萎缩与CDR恶化协同），使模型在仅300例轻度认知障碍样本中，CDR预测误差降低18%，AD转化判别的AUC达0.91，超越单任务模型。此外，多任务梯度协调机制缓解了不同模态采样率不均导致的训练不稳定，为临床级辅助诊断提供了鲁棒方案。