Effiziente Verarbeitung und Analyse von Inhalten durch Multi-Objektiv-Optimierung für Sparse Deep Multi-Task Learning

Durch den Einsatz einer modifizierten gewichteten Tschebyscheff-Skalierung und einer Augmented-Lagrange-Methode können Pareto-optimale Lösungen für Deep-Neuronale-Netzwerke mit mehreren Aufgaben effizient identifiziert werden, wobei gleichzeitig die Modellkomplexität durch Sparsifizierung reduziert wird.