PLE 渐进式分层抽取架构

PLE（Progressive Layered Extraction 渐进式分层抽取网络，由腾讯 PCG 团队在 RecSys 2020 提出并荣获最佳论文）是针对多任务推荐精排中复杂任务关系与负迁移现象的革命性架构升级；PLE 彻底摒弃了 MMoE 中所有专家对所有任务完全混杂共享的粗糙模式，将底层专家显式划分为两类：1) 任务专属专家 (Task-Specific Experts: 仅对特定任务私有，如专属于 CTR 或 CVR)；2) 任务共享专家 (Shared Experts: 提取各任务的公共泛化知识)；通过构建多层级联的 CGC (Customized Gate Control) 分层抽取模块，使深层特征能够逐步实现“先分流私有知识、再聚合公共表征”的渐进式提纯，顶层各任务 Tower 仅接收该任务私有专家与共享专家的聚合输入。

腾讯视频、微信视频号、抖音电商等同时优化点击、点赞、转发、完播、评论、购买等多复杂任务的工业级重排序核心模型。

MMoE 在任务相关性复杂（有的任务强相关，有的弱相关）时依然存在严重的跷跷板现象 (Seesaw Phenomenon: 一个任务指标上升导致另一个任务指标断崖式下跌)；PLE 的专属与共享专家显式物理隔离机制，彻底从根本上杜绝了多任务负迁移。

详细画出 PLE 单层 CGC (Customized Gate Control) 模块与多层 Progressive 级联结构中的专家路由信息流图？

对比 Shared-Bottom、Cross-Stitch、MMoE 与 PLE 在处理负相关任务（如高点击但低完播）时的抗干扰能力？

为什么在多层 PLE 级联中，浅层抽取通用底层表征、深层抽取高阶任务专属特征符合深度表征学习的层级规律？

PLE 模型在包含 5-8 个目标的大规模工业级推荐系统中的参数量控制与训练显存优化策略？

在最终融合打分阶段，如何将 PLE 输出的多个预估概率值（$p\text{CTR}, p\text{CVR}, p\text{Finish}$）组合为最终排序得分 $S = w_1 p\text{CTR} + w_2 p\text{CVR} + w_3 p\text{Finish}$？