Naukowcy z arXiv zaproponowali EMAN - Emergent Modular Atomic Network - fundamentalnie nowe podejście do uczenia wielozadaniowego. Dotychczasowe metody zmuszały do wyboru między sztywnym współdzieleniem parametrów, predefiniowaniem wielu ścieżek obliczeniowych lub ekspandowaniem struktury w oparciu o konflikt między zadaniami. EMAN działa inaczej - sieć zaczyna pracę jako pojedyncza ścieżka i tylko wtedy, gdy algorytm trenowania da wyraźny sygnał o potrzebie, tworzy drugą niezależną ścieżę o tej samej pojemności.
Mechanism opiera się na analizie faz względnych reprezentacji ukrytych w sieci i monitorowaniu wielu sygnałów decyzyjnych podczas treningu. Zamiast natychmiast instancjonować drugą ścieżkę, EMAN najpierw zebrał dowody optymalizacyjne, a dopiero po ich certyfikacji materializuje nowe struktury. To podejście pozwala sieci adaptacyjnie przydzielać zasoby - część wspólna dla wszystkich zadań, część wyspecjalizowana dla poszczególnych problemów.
Testy na zbiorach PASCAL-Context i NYUv2 oraz na kontrolowanych konfiguracjach rankingu wykazały, że EMAN osiąga lepszą wydajność niż istniejące metody wielozadaniowego uczenia przy konkurencyjnych kosztach obliczeniowych. Oznacza to, że sieć nie musi tworzyć zbyt wiele ścieżek ani nadmiernie je dzielić - robi to precyzyjnie, kiedy rzeczywiście jest to potrzebne.