Višestruko učenje
Višestruko učenje (MTL) je paradigma mašinskog učenja u kojoj se model istovremeno obučava na više povezanih zadataka, deleći reprezentacije među njima radi poboljšanja generalizacije. Formalno predstavljen od strane Rich Caruana-e 1997. godine, MTL se zasniva na intuiciji da pomoćni zadaci deluju kao induktivna pristrasnost, pružajući dodatne signalne nadzore koji pomažu zajedničkim slojevima da nauče bogatije, robusnije reprezentacije karakteristika nego što bi to dalo obučavanje na jednom zadatku.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Caruana, R. (1997). Multitask learning. Machine Learning, 28(1), 41–75. DOI: 10.1023/A:1007379606734 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Multitask Learning. ScholarGate. https://scholargate.app/sr/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.
- Kurikulumsko učenjeDuboko učenje↔ compare
- Дистилација знањаDuboko učenje↔ compare
- Transferno učenjeMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →