Eine adaptive Gruppenstrategie zur Minimierung des Gruppenrisikos, die die Optimierung über Aufgaben hinweg ausrichtet, indem sie ähnliche Aufgaben basierend auf Aufgabeninteraktionen gruppiert und risikogesteuerte Gruppenindikatoren nutzt.
Durch die Formulierung von Multi-Task-Lernen als Multi-Ziel-Optimierung und die Zerlegung in mehrere skalare Optimierungsteilprobleme, die gemeinsam unter Verwendung eines neuartigen Multi-Task-Gradientenabstiegsverfahrens gelöst werden, kann eine repräsentative Teilmenge von Pareto-optimierten Modellen in einem einzigen Durchlauf gefunden werden.