先了解这件事
2026 年 7 月 31 日,Amazon 在 ICML 发表 ControlG 多任务图自监督学习框架。据 Amazon Science 介绍,该框架借用工业控制系统的 PID 控制器来协调图自监督学习中的多个冲突训练目标,按顺序而非每步混合梯度地分配计算容量。ControlG 在三个时间尺度上运行:用 spectral-demand 和 interference 指标估计各目标难度,用 log-hypervolume 敏感度优化每轮计算分配,用 PID 反馈回路跟踪分配计划,以消除负迁移、漂移和目标权重归零三类多任务学习失败。在节点聚类任务上,随机调度平均排名 5.0,优于 AutoSSL 的 7.3、WAS 的 10.0、ParetoGNN 的 8.1、PCGrad 的 7.8 和 CAGrad 的 8.4。目前尚无后续发展事实。
AI 根据公开报道生成
最新进展 · 正式报道
Amazon Science：用工业 PID 控制器协调多任务图机器学习事件进展
1 个已确认进展
- 来源：Amazon Science
报道与讨论时间线
按时间查看正式报道与传播讨论；两类内容的证据等级保持独立。
7月31日
Amazon Science一手
Amazon Science：用工业 PID 控制器协调多任务图机器学习
Amazon Science 提出 ControlG 框架，借用工业控制系统的 PID 控制器来协调图自监督学习中的多个冲突训练目标，按顺序而非每步混合梯度地分配计算容量。ControlG 在三个时间尺度上运行：用 spectral-demand 和 interference 指标估计各目标难度、用 log-hypervolume 敏感度优化每轮计算分配、用 PID 反馈回路跟踪分配计划，从而消除负迁移、漂移和目标权重归零三类多任务学习失败。在节点聚类任务上，随机调度（平均排名 5.0）已优于 AutoSSL（7.3）、WAS（10.0）、ParetoGNN（8.1）、PCGrad（7.8）和 CAGrad（8.4）。