Pembelajaran Berbilang Tugas
Pembelajaran Berbilang Tugas (MTL) ialah paradigma pembelajaran mesin yang melatih model secara serentak untuk beberapa tugas berkaitan, berkongsi perwakilan antara tugas-tugas tersebut untuk meningkatkan generalisasi. Diperkenalkan secara formal oleh Rich Caruana pada tahun 1997, MTL berasaskan intuisi bahawa tugas-tugas sampingan bertindak sebagai bias induktif, memberikan isyarat penyeliaan tambahan yang membantu lapisan kongsi mempelajari perwakilan ciri yang lebih kaya dan teguh berbanding latihan tugas tunggal.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Caruana, R. (1997). Multitask learning. Machine Learning, 28(1), 41–75. DOI: 10.1023/A:1007379606734 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 2). Multitask Learning. ScholarGate. https://scholargate.app/ms/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.
- Pembelajaran KurikulumPembelajaran Mendalam↔ compare
- Penyulingan PengetahuanPembelajaran Mendalam↔ compare
- Pembelajaran PindahanPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →