买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉吉林大学申请的专利一种基于任务关联度的多任务学习辅助任务选择方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119883576B 。

龙图腾网通过国家知识产权局官网在2025-12-05发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510368323.4，技术领域涉及：G06F9/48；该发明授权一种基于任务关联度的多任务学习辅助任务选择方法是由孙耀;刘宏;胡云峰;赵封鑫;张冲;程震;许可;宫洵设计研发完成，并于2025-03-27向国家知识产权局提交的专利申请。

本一种基于任务关联度的多任务学习辅助任务选择方法在说明书摘要公布了：本发明适用于机器学习和人工智能技术领域，提供了一种基于任务关联度的多任务学习辅助任务选择方法。本发明通过引入TCC，量化辅助任务与主任务之间的关联性，自动筛选最适合主任务的辅助任务，提升了选择的效率和精度，有效减少了负迁移现象的发生，使得多任务学习更加高效和可靠；引入的TCC能够有效评估各任务之间的相关性，自动选择出与主任务最相关的辅助任务，避免直接搜索任务组合所带来的高昂计算成本，特别是在任务数量较多时显著降低了计算复杂度，还确保了多任务学习的效果和效率；该方法不受模型类型的限制，展现出广泛的适用性，且无需增加额外的参数，通过简单设置即可获得显著效果，具备较强的适用性和易用性。

本发明授权一种基于任务关联度的多任务学习辅助任务选择方法在权利要求书中公布了：1.一种基于任务关联度的多任务学习辅助任务选择方法，其特征在于，包括以下步骤： 步骤S1、数据集准备：在多任务学习中，首先定义主任务和若干辅助任务，然后构建一个包含主任务和多个辅助任务的多任务学习数据集，数据集包含各任务的特征变量和目标值； 步骤S2、TCC计算：通过衡量每个任务损失变化与主任务梯度方向的相似度来动态评估任务间的相关性； 步骤S3、辅助任务选择：根据计算得到的TCC值，分析辅助任务与主任务之间的协同作用或冲突，并选择协同作用最强的辅助任务； 步骤S4、模型训练与优化：使用选定的辅助任务和主任务构建多任务学习模型；在训练过程中，采用标准的训练步骤，使用所有任务的联合梯度对模型进行优化；定期计算并更新TCC值； 所述TCC值的取值范围为-1~1，接近1的TCC值表示协同作用强，接近-1的值表示存在冲突； 所述TCC计算步骤的具体过程如下： 对于每个训练批次在时间步t上，设表示在针对主任务应用梯度步骤后更新的共享参数；在假设随机梯度下降的条件下，表示为： 式1：； 其中，表示更新前的共享参数；表示学习率；表示主任务在批量下对参数的梯度； 使用更新后的共享参数计算主任务和每个辅助任务的损失变化，同时保持每个任务的特定参数和输入批次不变； 辅助任务i的损失变化定义为： 式2：； 其中，表示辅助任务i的损失函数； 主任务的损失变化定义为： 式3：； 其中，表示主任务特定部分参数； 在每个批次后，临时更新会被还原，恢复原始参数；然后，标准的训练步骤使用所有任务的联合梯度继续进行；为了评估整个训练周期内主任务与每个辅助任务之间的协同作用或冲突，收集所有批次的损失变化序列，并计算TCC，量化辅助任务对主任务优化方向的协同程度或冲突： 式4：； 其中，表示主任务和辅助任务的TCC分数；表示主任务损失变化序列；表示辅助任务损失变化序列；表示主任务损失变化序列和辅助任务损失变化序列之间的协方差；和分别表示主任务和辅助任务损失变化的标准差； 在每个训练周期结束时计算TCC，并将结果平均，以获得整个训练过程中的综合TCC值，综合TCC值表示为： 式5：； 其中，n表示第n个训练周期；N表示总训练周期数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人吉林大学，其通讯地址为：130012 吉林省长春市朝阳区前进大街2699号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。