Μάθηση Πολλαπλών Εργασιών
Η Μάθηση Πολλαπλών Εργασιών (Multitask Learning - MTL) είναι ένα παράδειγμα μηχανικής μάθησης στο οποίο ένα μοντέλο εκπαιδεύεται ταυτόχρονα σε πολλαπλές σχετικές εργασίες, μοιραζόμενο αναπαραστάσεις μεταξύ τους για τη βελτίωση της γενίκευσης. Η MTL, η οποία εισήχθη επίσημα από τον Rich Caruana το 1997, βασίζεται στη διαίσθηση ότι οι βοηθητικές εργασίες λειτουργούν ως επαγωγική προκατάληψη (inductive bias), παρέχοντας επιπλέον σήματα εποπτείας που βοηθούν τα κοινά επίπεδα (shared layers) να μάθουν πλουσιότερες, πιο στιβαρές αναπαραστάσεις χαρακτηριστικών από ό,τι θα απέφερε η εκπαίδευση σε μία μόνο εργασία.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- Caruana, R. (1997). Multitask learning. Machine Learning, 28(1), 41–75. DOI: 10.1023/A:1007379606734 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 2). Multitask Learning. ScholarGate. https://scholargate.app/el/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.
- Εκμάθηση μέσω Προγράμματος ΣπουδώνΒαθιά Μάθηση↔ compare
- Απόσταξη ΓνώσηςΒαθιά Μάθηση↔ compare
- Εκμάθηση μεταφοράςΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →