本論文では、マルチタスク学習において異なる目標が衝突し、傾き干渉が発生し、収束速度が遅くなり、モデル性能が低下する問題を解決するために提案されたSON-GOKUを紹介する。 SON-GOKUは、勾配干渉を計算し、干渉グラフを構築した後、貪欲グラフの塗りつぶし方法を使用して、適切な作業をグループに分割します。各トレーニングフェーズでは、1つのグループ（カラークラス）の作業のみがアクティブになり、作業関係がトレーニング中に進化するにつれて、グループ分割は継続的に再計算されます。この方法では、各ミニ配置にモデルを同じ方向に導くタスクのみを含めることができ、追加のチューニングなしですべての基本的なマルチタスク学習オプティマイザの効果を向上させます。 6つの異なるデータセットの実験結果は、SON-GOKUが従来の方法と最先端のマルチタスクオプティマイザよりも一貫して優れた性能を示していることを示しています。また、グループ化と逐次更新がマルチタスク学習を改善する理由の理論的根拠と、立下がり、収束、タスク間の衝突または位置合わせの正確な識別のための保証を提供します。
