跨任务泛化

Parent: ai_keywords

跨任务泛化（Cross-task Generalization）

【核心定义】

跨任务泛化指机器学习模型在多个相关任务上训练后，能够将已习得的知识或表征迁移至未见过的目标任务，无需对每个新任务从头训练或大幅调整参数。其本质是对任务间共享结构与通用规律的提取与复用，核心挑战在于平衡任务特异性与通用性，避免灾难性遗忘与负迁移。

【关键技术点】

1. 多任务学习（MTL）
   通过并行训练多个相关任务，强制模型共享底层特征（如CNN的早期卷积层），使通用表征在任务间相互强化，提升样本效率。
2. 元学习（Meta-learning）
   旨在“学会学习”，通过大量任务分布的训练（如MAML算法），使模型仅需少量梯度更新或几步微调即能适应新任务。
3. 表征解耦与泛化
   将特征空间分解为任务无关的共享分量与任务相关的专用分量（如VAE、对比学习结构），前者承载跨任务泛化能力。
4. 少样本/零样本学习
   利用辅助任务构建语义桥梁（如属性描述、关系网络），使模型在仅见极少量（或零）新任务样本时仍能完成推理。
5. 持续学习与弹性权重巩固
   在任务序列中通过正则化（如EWC）保护关键参数，在吸收新任务的同时保留旧任务知识，从而实现序列跨任务泛化。

【医学/神经科学应用场景】

癫痫多发作亚型自动识别（首都医科大学神经病学背景）
临床中，癫痫发作表现为局灶性、全面性、失神等不同亚型，其EEG信号模式差异显著。传统模型需为每种亚型单独训练，且因患者个体差异，新病例往往标注困难。

• 跨任务泛化方案：构建基于MTL与元学习的深度网络，同时在多种编码的癫痫高维时序特征（如频谱、锐波、不对称性）上预训练。模型学习“异常放电-临床表现”的通用映射，进而仅需每位新患者5分钟的训练微调，即可泛化至其特有的发作模式检测（包括罕见的混合型或不典型发作）。
• 价值：大幅减少标注成本，提升急诊实时诊断的适应性，并为跨中心（不同设备、导联配置）的EEG分析铺平道路。