본 논문은 단일 입력 다중 출력(SIMO) 설정에서의 다중 작업 모델 병합에 초점을 맞춥니다. 기존 연구는 샘플과 작업 간의 일대일 매핑이 있는 제약된 다중 작업 설정에만 집중했지만, 본 논문에서는 하나의 샘플에 여러 작업이 적용될 수 있는 시나리오(예: 장면 이해)를 고려합니다. 기존 모델 병합 방법들이 작업별 디코더와 다양한 손실 목표의 존재로 인해 SIMO 설정에서 성능 저하를 초래한다는 것을 밝히고, 병합 후 특징 표현을 재정렬하기 위한 두 가지 효율적인 방법을 제안합니다. NYUv2, Cityscapes, Taskonomy 데이터셋의 실험을 통해 작업 산술이 다중 작업 기능을 가능하게 하지만 병합된 인코더가 생성한 표현은 작업별 헤드와 재정렬되어야 함을 보여줍니다. 제안된 방법은 기존 다중 작업 학습과 비슷한 성능을 보이지만, 작업별 모델을 활용하여 더 적은 샘플과 학습 단계를 필요로 합니다.
