Uczenie wielozadaniowe
Uczenie wielozadaniowe (MTL) to paradygmat uczenia maszynowego, w którym model jest trenowany jednocześnie na wielu powiązanych zadaniach, współdzieląc reprezentacje między nimi w celu poprawy generalizacji. Formalnie wprowadzone przez Richa Caruanę w 1997 roku, MTL opiera się na intuicji, że zadania pomocnicze działają jako stronniczość indukcyjna, dostarczając dodatkowych sygnałów nadzorowanych, które pomagają wspólnym warstwom uczyć się bogatszych, bardziej odpornych reprezentacji cech niż w przypadku treningu jednokrotnego zadania.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Caruana, R. (1997). Multitask learning. Machine Learning, 28(1), 41–75. DOI: 10.1023/A:1007379606734 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). Multitask Learning. ScholarGate. https://scholargate.app/pl/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.
- Uczenie się według programu nauczaniaUczenie głębokie↔ compare
- Destylacja wiedzyUczenie głębokie↔ compare
- Uczenie transferoweUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →