MONET：用网络建模任务空间，多任务优化新范式
多任务优化（MTO）旨在同时高效求解大量相关任务，但现有方法在可扩展性与任务空间拓扑利用上存在明显短板。近日，来自德国科隆应用技术大学、阿姆斯特丹自由大学等机构的研究者在 arXiv 上提交了一篇论文，提出名为 MONET（Multi-Task Optimization over Networks of Tasks） 的新算法，将任务空间建模为图结构，让知识在任务间像“社交网络”一样流动，从而在数千个任务规模上实现高效优化。
现有方法的瓶颈
传统多任务优化算法大致可分为两类：
- 基于种群的方法：如多任务进化算法，通常维护一个共享种群，利用隐式或显式的知识迁移。这类方法在任务数较少时效果不错，但当任务数量达到数千甚至上万时，计算开销急剧膨胀，难以扩展。
- MAP-Elites 变体：这类方法通过将任务空间离散化到固定网格（档案）来达到较好扩展性，但网格是预先定义的、固定的，忽略了任务空间的连续拓扑结构。换言之，它无法感知哪些任务“更接近”、哪些“更远”，因此知识迁移可能不够精准。
MONET 的核心思路：任务网络
MONET 的关键创新在于将任务空间显式建模为图（Graph）。图中的每个节点代表一个任务，边连接的是在任务参数空间中相邻的任务。这种表示方式天然捕获了任务之间的相似性与拓扑关系，使得知识迁移可以沿着边进行，既保留了拓扑信息，又避免了高维离散化带来的维数灾难。
在优化过程中，MONET 融合了两种学习机制：
- 社会学习（Social Learning）：从当前节点的邻居节点中通过交叉操作生成候选解，实现任务间的信息共享。
- 个体学习（Individual Learning）：对节点自身的解独立进行变异，以保持局部搜索能力。
这种双机制设计平衡了探索与利用，让每个任务既能从相似任务中借鉴优秀基因，又能针对自身特性进行微调。
实验表现：匹配或超越基线
研究者在四个具有挑战性的连续控制域上评估了 MONET：
- Archery（射箭）、Arm（机械臂）、Cartpole（平衡杆）：各包含 5,000 个任务
- Hexapod（六足机器人）：包含 2,000 个任务
与当前主流的 MAP-Elites 变体（如 CMA-ME 等）相比，MONET 在所有四个领域上均取得了匹配或更优的性能。尤其值得注意的是，在任务数高达 5000 时，MONET 仍能保持稳定优化，而传统基于种群的方法早已不堪重负。
意义与展望
MONET 的提出为大规模多任务优化开辟了新路径。将任务空间视为图而非固定网格，不仅提升了扩展性，还让算法能够自适应地利用任务间的相似性结构。这一思路与当前 AI 领域兴起的 图神经网络（GNN） 和 元学习 有着天然的亲和性——未来或许可以结合 GNN 来动态学习边的权重或任务表示，进一步提升迁移效率。
对于机器人技能学习、神经架构搜索、超参数优化等需要同时处理大量相似问题的场景，MONET 提供了一种兼具理论优雅性与实际效率的解决方案。