基于多任务学习的情感识别：共享特征与任务特定特征的平衡？ 热门官方

回答：多任务学习（MTL）同时学习情感识别与相关任务（如性别识别、年龄识别），通过共享特征提升情感识别性能，关键是平衡共享特征与任务特定特征：①架构设计：共享特征提取器（如CNN backbone）提取通用特征，任务特定头（如情感分类头、性别分类头）提取特定特征；②损失权重调整：用不确定性加权（Uncertainty Weighting）动态调整各任务损失的权重，损失权重与任务噪声成反比（噪声大的任务权重低），避免简单任务主导训练；③梯度冲突解决：用PCGrad（投影梯度）解决任务间梯度冲突（如情感识别梯度与性别识别梯度方向相反时，投影到共同方向），确保共享特征的学习不被冲突梯度干扰。在RAVDESS数据集上，多任务学习的情感识别准确率较单任务提升8%，达83%。