多任务委托代理

摘要： 金融高管在多任务委托代理的行为本质是股东和监管机构作为任务的委托人,向高管提供的激励程度差异性的体现。文章采用H&M多任务委托代理模型,利用2018—2019年中国股份制保险公司的调研数据,创新性地加入考核难度因素,考察了高管在经营绩效和合规性治理两项任务背后的激励动机。研究发现,高管薪酬受经营绩效的影响呈现“放大效应”;提高合规性治理水平在一定程度上能够降低超额薪酬,且国有企业在薪酬控制中表现得更为明显。进一步研究发现,在考核难度加大的情况下,提升合规性治理水平,容易形成“制度落差”,进而会降低高管的基本薪酬。文章的研究结论有助于金融机构厘清薪酬激励效果的作用路径和完善合规方式,有助于为监管部门优化考核方式提供一定的决策依据。

摘要： 物流服务集成商与物流服务提供商之间存在信息不对称,容易导致物流服务提供商的违规行为。物流服务集成商和物流服务提供商之间的关系属于典型的委托-代理关系,传统的单任务委托代理得出的结论有限,无法应对复杂的实际情况。因此,文中从三个任务的角度出发,从订单数量、降低物流成本、物流服务质量考虑了物流服务集成商对物流服务提供商的激励,分析激励效果弱化的原因,完善相关的激励理论。

摘要： 本文基于多任务委托代理,结合工程实践,建立多任务间相对边际成本变化率相关的情况下业主与承包商的激励模型.结果表明,最优激励系数不仅受承包方自身因素影响,取决于业主对任务的重视程度及环境因素;承包方在质量、成本、进度方面的最优努力水平则由边际努力成本变化率和任务的重要性程度共同决定.

摘要： 物流服务集成商与物流服务提供商之间存在信息不对称,容易导致物流服务提供商的违规行为.物流服务集成商和物流服务提供商之间的关系属于典型的委托-代理关系,传统的单任务委托代理得出的结论有限,无法应对复杂的实际情况.因此,文中从三个任务的角度出发,从订单数量、降低物流成本、物流服务质量考虑了物流服务集成商对物流服务提供商的激励,分析激励效果弱化的原因,完善相关的激励理论.

摘要： 合同节水管理主要研究节水效益分享模式下的收益分配问题.本文基于多任务委托代理理论,以高校和节水服务公司的总收益最大为目标,研究高校对节水服务公司的最优激励设计问题.并讨论了增加节水量和节约项目改造成本两项任务在独立、互补和替代三种关系下的不同激励措施:若两项任务相互独立,对增加节水量的激励不会影响对节约改造成本的激励;若两项任务互补,对增加节水量的激励会促进对节约改造成本的激励;若两项任务替代,对增加节水量的激励只会让节水服务公司侧重于这一项任务,而忽略了节约改造成本.

摘要： 为激励企业对战备物资生产能力的储备,促进企业更好地合作,基于多任务委托代理理论,建立战备物资生产能力储备的激励模型,设计基于检查监督的激励机制,解决激励效果可能出现弱化的问题.通过对模型的求解和分析,说明当企业在"数量达标"和"质量合格"两个目标上的努力成本相互独立时,最优激励因子之间的关系和企业风险规避度、边际成本变化率、产出波动、转化系数对最优激励因子的影响,以及努力成本为相互依存关系时,激励因子与依存程度的关系.

摘要： 实物产品与衍生服务有效匹配形成的混合产品能够实现供需双方的价值共创.针对混合产品生成过程中存在的委托代理关系,文章以产品制造与服务衍生两项任务为努力投入,借助Holmstrom-Milgrom激励理论构建了客户对制造企业的多任务委托代理模型,探究了供需双方决策的影响因素,并给出了制造企业努力均衡的策略.结果表明:客户最优激励系数及企业最优努力水平均与混合产品内部化边际收益正相关,与制造企业风险规避度、混合产品生成成本因子及任务成本相关性负相关;服务外部化边际收益及外部环境不确定性对客户两项任务的激励系数以及企业两项任务的努力水平均产生不同影响;混合产品的价值实现需要供需双方的共同努力以达到产品与服务的兼顾与均衡.

摘要： 为了研究保兑仓融资模式下商业银行与物流企业长期合作时的激励契约设计问题,运用委托代理理论和逆向归纳法,分别构建长期静态激励模型和长期动态激励模型,并求解出两种模型下激励契约的最优参数,通过数值模拟对两种模型得到的结果进行对比分析.研究表明,动态激励机制对银行更有利,银行可以设置不同的激励强度来引导物流企业付出相应的努力水平.此研究考虑了银行和物流企业长期合作和多任务委托代理的情况,完善了保兑仓模式下激励契约的研究.

摘要： 电信运营商与社会渠道运营商之间属于多任务委托-代理关系，由于二者之间利益不一致、信息不对称，并且社会渠道与运营商承担任务间的努力成本具有替代性，因此，多任务委托代理下的社会渠道报酬应是一个最优激励机制，以引诱社会渠道从自身利益最大化出发选择对实现运营商最有利的行为。

摘要： 本发明公开了一种具有多个竞争代理的多任务调度方法，该方法包括以下步骤：设置m个代理，且代理i具有一组作业；机器和作业在零时刻均可用，且机器每次最多处理一个作业；在m个代理中，代理1为具有高优先级的长期关键代理，而其他代理为短期一次性代理，每个代理都有自身要优化的仅依赖自身作业完工时间的目标函数；针对上述目标函数构建问题，并对该问题进行求解得到具有多个竞争代理的多任务调度策略。本发明通过构建多代理多任务调度模型，能够得到具有多代理的多任务调度时间表，以填补多代理多任务调度的研究空白，并适应云制造平台环境的调度需求。

摘要： 本发明提供了一种基于时延控制的物联代理多任务调度方法和系统，包括：获取多个电力业务到达物联代理的资源池的信息；将所述信息输入预先构建的时延控制的多任务部署及资源分配的最优化问题模型进行求解，得到电力业务的部署方式以及物联代理的资源分配方式；根据电力业务的部署方式以及物联代理的资源分配方式，对电力业务进行调度；其中，所述时延控制的多任务部署及资源分配的最优化问题模型基于多个电力业务总时延最小为目标构建的；通过求解时延控制的多任务部署及资源分配的最优化问题模型，本发明完成多个电力任务的协同部署，实现面向时延控制的资源的高效分配。

摘要： 本发明公开了一种具有多个竞争代理的多任务调度方法，该方法包括以下步骤：设置m个代理，且代理i具有一组作业；机器和作业在零时刻均可用，且机器每次最多处理一个作业；在m个代理中，代理1为具有高优先级的长期关键代理，而其他代理为短期一次性代理，每个代理都有自身要优化的仅依赖自身作业完工时间的目标函数；针对上述目标函数构建问题，并对该问题进行求解得到具有多个竞争代理的多任务调度策略。本发明通过构建多代理多任务调度模型，能够得到具有多代理的多任务调度时间表，以填补多代理多任务调度的研究空白，并适应云制造平台环境的调度需求。

摘要： 本发明涉及一种无需多任务联合标注的多任务深度学习训练方法，涉及计算机视觉领域。首先，利用与目标任务对应的单任务标注数据集训练目标任务分支网络，利用与若干辅助任务分别对应的各单任务标注数据集训练各辅助分支网络；之后通过计算各辅助任务特征与目标任务特征的Gram矩阵，形成对各辅助任务特征的通道注意力，进而调整相应的辅助任务特征的各分量权值，再将调整后的多组辅助任务特征与目标任务特征进行级联融合，构建实现目标任务的整合网络；最后利用与目标任务对应的单任务标注数据集训练整合网络实现目标任务。本发明采用基于Gram通道注意力机制的特征融合，实现了针对目标任务而无需多任务联合标注训练集的多任务训练。

摘要： 本公开提供了一种多任务模型训练方法和装置，涉及计算机视觉、深度学习等技术领域。具体实现方案为：获取包括至少一类初始图像的训练样本集；获取预先建立的多任务网络，多任务网络中的通用特征提取器通过分支节点分别与各个初始分支网络连接；从训练样本集中选取初始图像，将选取的初始图像输入通用特征提取器，得到与选取的初始图像对应的特征图；针对得到的特征图中的各个特征图，将该特征图输入该特征图的识别要素对应的初始分支网络；采集分支节点中各个初始分支网络的梯度值，并基于各个初始分支网络的梯度值调整相应初始分支网络的损失权重值，响应于多任务网络满足训练完成条件，得到多任务模型。该实施方式平衡了多个任务的训练效果。

摘要： 本申请提供了一种多任务模型训练方法、多任务预测方法及相关产品。涉及人工智能领域，具体涉及计算机视觉领域。包括：通过每个门网络对训练数据进行处理，以获取与每个门网络对应的多个目标专家网络以及权重；通过多个目标专家网络分别对训练数据进行特征提取，以得到与每个门网络对应的多个第一特征；根据多个目标专家网络的权重，对多个第一特征进行加权，以得到与每个门网络对应的Tower网络的输入数据；通过每个门网络对应的Tower网络对输入数据进行任务预测，以得到每个门网络对应的Tower网络的任务预测结果；根据每个门网络对应的多个目标专家网络的权重以及多个Tower网络的任务预测结果，对多任务模型进行训练。

摘要： 本发明提供了一种多任务感知识别模型的构建方法的方法，该多任务感知识别模型的构建方法包括：获取多张样本图像，每一张样本图像中包括物体对象的标签标注和道路对象的分割标注，标签标注包括表示物体对象的标注框、表示物体对象类别的第一类别标签以及表示物体对象姿态的第二类别标签，分割标注包括表示道路对象的目标区域；将多张样本图像输入初始多任务感知识别模型中进行迭代训练得到目标多任务感知识别模型，其中，初始多任务感知识别模型包括特征提取模块、多目标多属性识别模块和分割预测模块。本发明还提供了一种多任务感知识别方法、多任务感知识别模型、计算机可读存储介质以及自动驾驶设备。

摘要： 本申请公开了一种多任务学习网络以及基于多任务学习网络的方法。该多任务学习网络包括：任务网络以及合并网络。其中任务网络包括多个子任务网络，多个子任务网络针对相同的输入生成相应的特征向量，合并网络对相应的特征向量进行拼接、对拼接后的特征向量进行优化并得到最终输出，其中多个子任务网络中的每个子任务网络包括编码层和任务层，编码层将所述输入转换成包括维度信息的编码向量并将编码向量发送到所述任务层，任务层对编码向量进行处理以生成特征向量。

摘要： 本公开涉及自动驾驶领域中，一种多任务模型训练方法、多任务处理方法、装置及车辆，多任务模型训练方法包括：获取多任务模型针对多个任务分别输出的损失值；根据所有所述任务的损失值，确定每一所述任务的目标损失值，所有所述任务的目标损失值属于同一量级；根据每一所述任务的目标损失值，调整所述多任务模型的参数，以得到训练好的多任务模型，减小不同任务间的损失值的差异，解决了损失值大的任务在多任务模型训练中占据主导地位引起的训练不平衡的问题。

摘要： 本公开涉及计算机视觉技术领域，具体提供了一种多任务神经网络的训练方法、多任务处理方法及装置。一种多任务神经网络的训练方法，包括：将预先获取的图像数据集输入待训练的多任务神经网络，并根据输出的图像检测结果确定每个子任务的图像检测结果的损失值；基于每个子任务的损失值，对所述多任务神经网络中所有子任务网络共享的第一子网络的网络参数进行调整；针对所述多任务神经网络包括的任意一个关联任务组，基于所述关联任务组包括的各个子任务的损失值，对所述关联任务组中各个子任务网络共享的第二子网络的网络参数进行调整，直至满足收敛条件。本公开实施方式提高多任务图像检测效果和效率。