การเรียนรู้หลายภารกิจ
การเรียนรู้หลายภารกิจ (Multitask Learning - MTL) เป็นกระบวนทัศน์การเรียนรู้ของเครื่องที่แบบจำลองจะถูกฝึกอบรมพร้อมกันในหลายภารกิจที่เกี่ยวข้องกัน โดยแบ่งปันการแสดงแทน (representations) ข้ามภารกิจเหล่านั้นเพื่อปรับปรุงการสรุปผล (generalization) MTL ซึ่งถูกนำเสนออย่างเป็นทางการโดย Rich Caruana ในปี 1997 ได้รับแรงบันดาลใจจากแนวคิดที่ว่าภารกิจเสริม (auxiliary tasks) ทำหน้าที่เป็นอคติเชิงอุปนัย (inductive bias) โดยให้สัญญาณการกำกับดูแลเพิ่มเติมที่ช่วยให้ชั้นที่แบ่งปันกันเรียนรู้การแสดงแทนคุณลักษณะ (feature representations) ที่สมบูรณ์และแข็งแกร่งกว่าการฝึกอบรมภารกิจเดียว
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Caruana, R. (1997). Multitask learning. Machine Learning, 28(1), 41–75. DOI: 10.1023/A:1007379606734 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). Multitask Learning. ScholarGate. https://scholargate.app/th/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.
- การเรียนรู้ตามหลักสูตรการเรียนรู้เชิงลึก↔ compare
- การกลั่นความรู้การเรียนรู้เชิงลึก↔ compare
- การเรียนรู้แบบถ่ายโอนการเรียนรู้ของเครื่อง↔ compare