Víceúlohové učení
Víceúlohové učení (MTL) je paradigma strojového učení, ve kterém je model současně trénován na více souvisejících úlohách, přičemž sdílí reprezentace napříč těmito úlohami, aby se zlepšila generalizace. MTL, formálně zavedené Rich Caruanou v roce 1997, vychází z intuice, že pomocné úlohy působí jako induktivní předpětí, poskytují dodatečné signály dohledu, které pomáhají sdíleným vrstvám naučit se bohatší a robustnější reprezentace příznaků, než by poskytl trénink na jedinou úlohu.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Caruana, R. (1997). Multitask learning. Machine Learning, 28(1), 41–75. DOI: 10.1023/A:1007379606734 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). Multitask Learning. ScholarGate. https://scholargate.app/cs/deep-learning/multitask-learning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Učební osnovyHluboké učení↔ compare
- Destilace znalostíHluboké učení↔ compare
- Přenosové učeníStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →