یادگیری چندوظیفهای
یادگیری چندوظیفهای (MTL) پارادایمی در یادگیری ماشین است که در آن یک مدل به طور همزمان بر روی چندین وظیفه مرتبط آموزش داده میشود و بازنماییها را در میان آنها به اشتراک میگذارد تا تعمیمپذیری را بهبود بخشد. MTL که به طور رسمی توسط ریچ کاروآنا در سال ۱۹۹۷ معرفی شد، از این شهود بهره میبرد که وظایف کمکی به عنوان بایاس استقرایی عمل میکنند و سیگنالهای نظارتی اضافی را فراهم میکنند که به لایههای مشترک کمک میکند تا بازنماییهای ویژگی غنیتر و قویتری نسبت به آموزش تکوظیفهای بیاموزند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Caruana, R. (1997). Multitask learning. Machine Learning, 28(1), 41–75. DOI: 10.1023/A:1007379606734 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). Multitask Learning. ScholarGate. https://scholargate.app/fa/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.
- یادگیری برنامهدرسییادگیری عمیق↔ compare
- تقطیر دانش (Knowledge Distillation)یادگیری عمیق↔ compare
- یادگیری انتقالییادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →