Multisteg-inlärning
Multitask Learning (MTL) är ett paradigm inom maskininlärning där en modell tränas samtidigt på flera relaterade uppgifter, genom att dela representationer mellan dem för att förbättra generalisering. MTL, som formellt introducerades av Rich Caruana 1997, bygger på intuitionen att hjälp-uppgifter fungerar som induktiv bias och tillhandahåller extra övervakningssignaler som hjälper de delade lagren att lära sig rikare, mer robusta funktionsrepresentationer än vad träning på en enskild uppgift skulle ge.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Caruana, R. (1997). Multitask learning. Machine Learning, 28(1), 41–75. DOI: 10.1023/A:1007379606734 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Multitask Learning. ScholarGate. https://scholargate.app/sv/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.
- Curriculum LearningDjupinlärning↔ compare
- KunskapsdestilleringDjupinlärning↔ compare
- ÖverföringsinlärningMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →