近年来,深度学习在许多领域得到了广泛的应用,也有许多针对多任务的深度模型。多任务学习在建模的过程中,既需要考虑任务之间的差别,避免负向的增长,又需要考虑到任务之间的共同之处。多任务学习的优势也正在于此。在现实世界中的有些任务间存在千丝万缕的联系,分解成多个子任务去独立求解是不正确的。而在实际的任务中,通过更多任务的辅助或者对照,可以帮助关注到最重要的特征,提升泛化性,提高性能。但基于深度学习的多任务模型中,多数都只是将神经网络底层的隐藏层共享给不同的任务,共享的隐藏层之后再接入任务特定的层。在任务之间具有很强的相似性时,这种共享隐含特征的方式可以起到较好的效果,但如果多任务之间没有这样强的共通处时,负迁移就会产生,性能就会显著下降。设计分层共享的多任务学习方法是一种解决负迁移现象的办法。这样的方法可以很好地处理松散相关的任务,但是它通常需要设计相对复杂的共享架构,并且在寻找应该共享的子空间方面的计算成本很高。此外,在基于特征和基于参数的方法中,很少考虑如何添加实例信息。对实例进行共享在传统的多任务学习模型中已经被证明是有效的。针对这些现象,本文提出了一种通用的深度多任务学习方法,它通过同时学习共享的实例和任务来处理不同任务中任意的不同的数据分布,并且对任务之间的关系不做任何的假设。具体来说,本文利用一个域对抗神经网络框架以匹配任何给定任务的数据分布,并且通过它来为其他任务的所有实例产生相应的共享权值,这样知识就可以直接从其他任务的实例转移到目标任务中。基于每个实例的权重,本文提出了一种简单而有效的策略来识别不同任务之间的关系,并系统地将这种关系融入到共享参数的学习中。由此,模型可以有效地过滤掉不相关的任务,从而避免两个不相关任务之间的信息交流,进而避免影响性能。本文通过Py Torch框架,实现了对抗负迁移的多任务学习算法,并在ISOLET数据集、亚马逊商品评论数据集、英国气象数据集以及生成数据集四个数据集上进行了对比实验,证明了方法的有效性。