EMAN：多任务学习中的优化驱动容量增长新框架
多任务学习（MTL）旨在通过共享表示同时解决多个相关任务，以提升效率和泛化能力。然而，现有方法在模型容量调整上存在局限：要么依赖硬共享或固定结构，要么需要预设多个路径或专家，要么根据任务边界或冲突信号进行动态扩展。这些方法往往受限于预定义结构，或需要人工干预，无法真正实现按需生长。
针对这一痛点，来自北京农业信息技术研究中心、西北工业大学等机构的研究者提出了EMAN（Emergent Modular Atomic Network，涌现模块化原子网络）框架，探索一个根本性问题：网络能否从单路径计算出发，仅在出现持续优化证据时，才生长出新的独立路径？
EMAN 的核心创新在于，它通过潜在相对相位（latent relative phases）暴露了一个反对称生长方向（antisymmetric growth direction），从而在不实例化第二条路径的情况下，持续监测多个决策信号，将局部的优化证据转化为结构决策。只有当证据充分（即通过认证）后，EMAN 才会实际物化出两条等容量的独立路径，并自适应地分配共享与任务专属的表示容量。
实验方面，研究团队在受控秩设置、PASCAL-Context 和 NYUv2 数据集上进行了广泛验证。结果显示，EMAN 能以具有竞争力的计算成本取得更优性能，证明了其有效性。
这项工作的意义不仅在于提出了一种新的 MTL 架构，更在于提供了一种优化驱动的容量增长范式：容量变化不再依赖人工预设，而是由训练过程中的优化信号自然触发。这为多任务学习乃至更广泛的动态神经网络设计提供了新思路。
当然，EMAN 仍面临一些挑战，例如如何准确判断“持续优化证据”，以及如何避免过早或过晚地生长路径。未来，这一框架有望与神经架构搜索、持续学习等方向结合，推动模型向更自主、更高效的方向演进。
