Apprendimento Multitask

L'Apprendimento Multitask (MTL) è un paradigma di machine learning in cui un modello viene addestrato simultaneamente su più compiti correlati, condividendo le rappresentazioni tra essi per migliorare la generalizzazione. Introdotto formalmente da Rich Caruana nel 1997, l'MTL si basa sull'intuizione che i compiti ausiliari agiscono come bias induttivo, fornendo segnali di supervisione extra che aiutano gli strati condivisi ad apprendere rappresentazioni di caratteristiche più ricche e robuste di quanto consentirebbe l'addestramento su un singolo compito.