摘自：第25届机器学习国际会议记录。ACM，2008年，第160-167页。[18] 乔治·西本科。“S形函数叠加近似”。In：Mathematicsof control，signals and systems 2.4（1989），第303–314页。[19] 西奥多·埃夫吉尼奥、查尔斯·米切利和马西米利亚诺·蓬蒂尔。“使用内核方法学习多任务”。摘自：《机器学习研究杂志》第6期。2005年4月，第615-637页。[20] Manuel Fern fff fd ffndez Delgado等人，“我们需要数百名分类师来解决现实世界的分类问题吗？”。摘自：《机器学习研究杂志》15.1（2014），第3133-3181页。[21]马蒂亚斯·费勒和弗兰克·赫特。第1章。超参数优化。2018年[22]Thomas F Golob。“出行行为研究的结构方程建模”。《运输研究B部分：方法论37.1》（2003），第1-25页。[23]Thomas F Golob、David S Bunch和David Brownstone。“基于显示和说明的车型选择和利用数据的车辆使用预测模型”。摘自：《运输经济学与政策杂志》（1997），第69-92页。[24]Thomas F Golob和Michael G McNally。“户主之间的活动参与和旅行互动模式”。《运输研究B部分：方法论》31.3（1997），第177-194页。【25】诺亚·戈洛维奇、亚历山大·拉克林和奥哈德·沙米尔。“神经网络的大小独立样本复杂性”。In:arXiv预印本arXiv:1712.06541（2017）。[26]Jen J Gong等人，“预测不断变化的电子健康记录系统的临床结果”。摘自：第23届ACM SIGKDD知识发现和数据挖掘国际会议记录。ACM，2017年，第1497-1505页。【27】Aur fff fd ffifdline G fff fd ffdron。使用Scikit Learn和TensorFlow进行动手机器学习：构建智能系统的概念、工具和技术。”O\'Reilly Media，Inc.，2017年。[28]Kazuma Hashimoto等人。

“联合多任务模型：为多任务增长神经网络”。In:arXiv预印本arXiv:1611.01587（2016）。[29]杰里·豪斯曼。“计量经济学分析中的变量测量错误：来自右侧的问题和来自左侧的问题”。摘自：《经济展望杂志》15.4（2001），第57-67页。[30]杰瑞·豪斯曼、杰森·阿布雷瓦亚和Fiona·M·斯科特·莫顿。“离散响应设置中依赖变量的错误分类”。摘自：《计量经济学杂志》87.2（1998），第239-269页。[31]何开明等，“图像识别的深度残差学习”。IEEEconference on computer vision and pattern recognition发表于：IEEEconference on computer vision and pattern recognition。2016年，第770-778页。【32】约翰·保罗·赫尔维斯顿、埃莉亚·麦克唐纳·费特和杰里米·J·米切莱克。“在RP内生性存在的情况下，汇集陈述和披露偏好数据”。《运输研究第B部分：方法学109》（2018），第70-89页。大卫·A·汉舍和马克·布拉德利。“使用规定的反应选择数据来丰富RevealedReference离散选择模型”。摘自：营销信函4.2（1993），第139-151页。[34]Geo ffrey Hinton、Oriol Vinyals和Je ffdean。“在神经网络中提取知识”。In:arXiv预印本arXiv:1503.02531（2015）。[35]库尔特·霍尼克。“多层前馈网络的逼近能力”。摘自：Neuralnetworks 4.2（1991），第251-257页。[36]科特·霍尼克、麦克斯韦·斯丁奇科姆和哈尔伯特·怀特。“多层前馈网络是通用逼近器”。《神经网络2.5》（1989），第359-366页。【37】劳伦特·雅各布、让·菲利普·维特和弗朗西斯·巴赫。“群集多任务学习：A凸公式”。神经信息处理系统的进展。2009年，第745-752页。[38]Seyong Kim和Eric P Xing。“结构化稀疏多任务回归树引导组套索”。于：（2010年）。【39】Ryuichi Kitamura等人。

“荷兰和加利福尼亚时间使用数据的比较分析”。年：（1992年）。【40】亚历克斯·克里哲夫斯基、伊利亚·萨茨基和Geo Offrey E Hinton。“使用深度卷积神经网络的Imagenet分类”。神经信息处理系统的进展。2012年，第1097-1105页。【41】Yann LeCun、Yoshua Bengio和Geo Offrey Hinton。“深度学习”。《自然》521.7553（2015），第436-444页。【42】梁世玉和R Srikant。“为什么使用深层神经网络进行函数逼近？”In:arXiv预印本arXiv:1610.04161（2016）。【43】龙明生、王建民。“利用深层关系网络学习多项任务”。In:arXiv预印本arXiv:1506.02117 2（2015）。[44]Jordan J Louviere等人，“将偏好数据来源结合起来，以建模复杂的决策过程”。摘自：营销信函10.3（1999），第205-217页。帕特里夏·K·里昂。“与时间相关的结构方程建模：分析动态姿态行为关系的方法”。《运输科学》18.4（1984），第395-414页。[46]Ishan Misra等人，“用于多任务学习的十字绣网络”。IEEEConference on Computer Vision and Pattern Recognition发表于：IEEEConference on Computer Vision and Pattern Recognition。2016年，第3994–4003页。【47】森川隆、本·阿基瓦和丹尼尔·麦克法登。“结合显示偏好和心理测量数据的离散选择模型”。《计量经济学进展》16（2002），第29-56页。[48]Mikhail Mozolin、J-C Thill和E Lynn Usery。“多层感知器神经网络出行分布预测：关键评估”。《运输研究B部分：方法学34.1》（2000），第53-73页。【49】贝纳姆·内沙布尔、富冈良田和内森·斯雷布罗。“神经网络中基于规范的容量控制”。参加：学习理论会议。2015年，第1376–1401页。【50】彼得·尼杰坎普、奥拉·雷吉亚尼和托马索·特里塔佩。

“意大利城市间交通流量建模：神经网络分析和logit分析之间的比较”。摘自：交通研究C部分：新兴技术4.6（1996），第323-338页。【51】Amalia Polydoropoulou和Moshe Ben Akiva。“多种公共交通技术的组合显示和声明偏好嵌套logit访问和模式选择模型”。《运输研究记录：运输研究委员会杂志》1771（2001），第38-45页。【52】Bharath Ramsndar等人，“药物发现的大规模多任务网络”。In:arXiv预印本arXiv:1502.02072（2015）。【53】PV Subba Rao等人，“通过访问模式选择的行为分析对人工神经网络的另一种洞察”。《计算机、环境和城市系统》22.5（1998），第485-496页。大卫·罗尔尼克和马克斯·特马克。“表达自然功能的深层网络的力量”。In:arXiv预印本arXiv:1705.05502（2017）。[55]Sebastian Ruder12等人，“水闸网络：学习在松散相关的任务之间共享什么”。摘自：stat 1050（2017），第23页。【56】凯伦·西蒙扬、安德里亚·韦达尔迪和安德鲁·齐瑟曼。“深层卷积网络：可视化图像分类模型和显著性图”。In:arXiv预印本arXiv:1312.6034（2013）。[57]肯尼思·阿斯莫尔、埃里克·特弗霍夫和罗宾·林赛。“出行需求”。《城市交通经济学》。第2卷。劳特利奇，2007年。[58]Kenneth Small和Clifford Winston。“交通需求：模型和应用”。In：交通经济学和政策论文。1998年【59】阿成。“神经网络输入参数的重要性排序”。《专家系统与应用》15.3-4（1998），第405-411页。[60]Christian Szegedy等人，“用卷积深入研究”。摘自：Cvpr，2015年。[61]蒂莫西·J·塔迪夫。“涉及交通态度和行为的因果推断”。

《运输研究》11.6（1977），第397-404页。[62]肯尼斯火车。“汽车所有权和模式选择的结构化logit模型”。参见：TheReview of Economic Studies 47.2（1980），第357-370页。[63]Kenneth E列车。模拟离散选择方法。剑桥大学出版社，2009年。【64】华金·范肖伦。第二章。元学习。2018年【65】弗拉基米尔·瓦普尼克。统计学习理论的本质。Springer science and businessmedia，2013年。【66】弗拉基米尔·诺莫维奇·瓦普尼克。“统计学习理论概述”。摘自：IEEE神经网络学报10.5（1999），第988–999页。【67】罗马人维什宁。高维概率：介绍在数据科学中的应用。第47卷。剑桥大学出版社，2018年。【68】乌尔里克·冯·卢森堡（Ulrike Von Luxburg）和伯恩哈德·斯科夫（Bernhard Sch fff f f f f f f d lkopf）。“统计学习理论：模型、概念和结果”。《逻辑史手册》。第10卷。Elsevier，2011年，第651-706页。[69]马丁·J·温赖特。高维统计：非渐近观点。第48卷。剑桥大学出版社，2019年。[70]John C Whitehead et al.“结合揭示和陈述的偏好数据来估计生态服务的非市场价值：对科学状况的评估”。摘自：Journalof Economic Surveys 22.5（2008），第872-908页。【71】谢琦、路金阳和艾米丽·帕卡尼。“基于数据挖掘的工作-旅行模式选择建模：决策树和神经网络”。《运输研究记录：运输研究委员会杂志》1854（2003），第50-61页。[72]杨永新和蒂莫西·霍斯佩代尔斯。“跟踪规范化深度多任务学习”。In:arXiv预印本arXiv:1606.04038（2016）。[73]Xin Ye、Ram M Pendyala和Giovanni Gottardi。“探索模式选择与行程链模式复杂性之间的关系”。《运输研究第B部分：方法学41.1》（2007），pp。

96–113.[74]袁明和林怡，“分组变量回归中的模型选择和估计”。《皇家统计学会杂志：B辑（统计方法学）》68.1（2006），第49-67页。克里斯托弗·泽格拉斯。“建筑环境与机动车所有权和使用：智利圣地亚哥的证据”。《城市研究》47.8（2010），1793-1817页。【76】巴雷特·佐夫和库克·沃勒。“强化学习的神经架构搜索”。In:arXiv预印本arXiv:1611.01578（2016）。[77]Barret Zoph等人，“学习可伸缩图像识别的可转移架构”。In:arXiv预印本arXiv:1707.07012 2.6（2017）。附录I：超参数空间超参数维度值共享M1[1，2，3，4，5]域特定M2[1，2，3，4，5]λ常数[1e-20，1e-4，1e-2，5e-1] λ常数[1e-20，1e-4，1e-2，5e-1] λ常数[1e-20，1e-4，1e-2，5e-1] n隐藏【25，50，100，200】n迭代20000n迷你批次200表3:MTLDNNAppendix II的超参数空间：描述性汇总统计参与者的年龄在20到85岁之间，收入在每月无收入到20000以上之间。下表总结了样本和人群之间的年龄和收入分布比较。就年龄而言，样本中年轻人的比例过高，而老年人的比例偏低。就月收入而言，在样本中，没有收入和收入超过20000英镑的高收入个人的代表性不足，而所有其他收入群体的分布都接近于人口的分布。

所有参与者的回答都得到了金钱补偿。年龄组人口（%）样本（%）收入组人口（%）样本（%）20- 24 8.42 16.31无收入10.79 1.4625- 29 9.04 17.32低于2000美元7.49 7.1930- 34 9.22 15.45 $2,000 - $3,999 10.69 14.935 - 39 9.75 14.08 $4,000 - $5,999 11.29 17.3540 - 44 10.12 10.09 $6,000 - $7,999 10.89 15.5745 - 49 9.72 10.2 $8,000 - $9,999 9.49 14.7750 - 54 10.19 7.42 $10,000 - $11,999 8.39 10.0755 - 59 9.67 4.93 $12,000 - $14,999 9.09 8.2260 - 64 8.13 2.49 $15,000 - $19,999 9.49 4.7865 - 69 6.39 0.67超过20000美元12.39 5.6970- 74 3.35 0.9175 - 79 2.84 080 - 84 1.73 0.1385+1.43 0表4：调查描述性总结统计附录三：前10名MTLDNN架构共享M1领域规范M2 n隐藏λλλ1 1 25 1.00E-02 1.00E-02 1.00E-043 2 25 1.00E-02 1.00E-04 1.00E-201 1 25 1.00E-20 1.00E-02 1.00E-021 1 25 1.00E-02 5.00E-01 1 1 1 100 1.00E-02 1.00E-20 1.00E-20 1 00E-041 4 25 1.00E-02 5.00E-01 1.00E-021 1 200 1.00E-02 5.00E-01 1.00E-021 1 1 501.00E-02 1.00E-02 1.00E-203 1 100 1.00E-02 1.00E-04 1.00E-042 3 50 1.00E-02 5.00E-01 1.00E-20表5：前10个MTLDNN体系结构