MGOE：宏观任务图专家网络¶

Fidelity: 核心机制复现。实际估计多任务相关图，执行宏观图传播 experts 和任务门控预测。

论文信息¶

项目	内容
论文链接	KDD 2026
公司/机构	Alibaba
首次公开日期	2025-06-12（arXiv v1）
原文开源代码	是：官方/作者代码
Adapter	`mgoe`
本地复现代码	`src/auto_research/reproductions/mgoe/`

原始论文总结¶

背景与主要改动¶

MMoE 只在样本级通过 gate 隐式共享，难表达任务间稳定结构。MGOE 先构建 Macro Task Merging Graph，再由 Macro Graph Bottom/Experts 传播跨任务信息，最后进入任务塔。

flowchart LR
  X["共享输入"] --> B["Macro Graph Bottom"]
  G["Task merging graph"] --> B
  B --> E1["Graph expert 1"]
  B --> E2["Graph expert 2"]
  E1 --> T["Task towers"]
  E2 --> T
  T --> Y["CTR/CVR/GMV 等目标"]

原论文关键图¶

原论文 Figure 2（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式¶

\[ H^{l+1}=\sigma(\tilde A H^lW_l),\qquad \hat y_t=\operatorname{Tower}_t\!\left(\sum_e g_{t,e}H_e\right). \]

论文离线与线上效果¶

论文在公开多任务数据与阿里私有数据上优于 Shared-Bottom、MMoE、PLE、MacGNN。线上相对 MMoE：PCTR +2.16%、UCTR +1.63%、CVR +5.88%、GMV +16.46%、stay time +4.12%。

本地复现¶

本地对照口径：相对 MMoE 独立 gate 基线，实验组 NDCG@10 +7.03%。

用 MovieLens 行为/genre 构造三个任务。相对独立 gate 基线：NDCG@10 0.07514→0.08042（+7.03%），Hit@10 0.14048→0.15952；head share 同时上升。指标见 metrics/movielens-1m-seed42.json。

auto-research reproduce --paper mgoe --dataset-dir data --seed 42

复现边界¶

公开 proxy 任务远小于工业多目标；没有十亿级 sparse embedding、分布式图构建和阿里线上特征。