Çoklu Görev Öğrenmesi
Multitask Learning · Ayrıca şöyle bilinir: MTL, Joint Learning, Shared Representation Learning, Çok Görevli Öğrenme
Çoklu Görev Öğrenmesi (MTL), bir modelin birden çok ilgili görev üzerinde eş zamanlı olarak eğitildiği ve genelleştirmeyi iyileştirmek için temsilleri paylaştığı bir makine öğrenmesi paradigmasıdır. Rich Caruana tarafından 1997'de resmi olarak tanıtılan MTL, yardımcı görevlerin endüktif yanlılık görevi gördüğü, tek görevli eğitime kıyasla daha zengin, daha sağlam özellik temsilleri öğrenmelerine yardımcı olan ek denetim sinyalleri sağladığı sezgisine dayanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Girdinin yapısını paylaşan birden çok ilgili tahmin göreviniz olduğunda MTL'yi kullanın — örneğin, NLP'de kelime türü etiketleme ve adlandırılmış varlık tanıma veya bilgisayar görüşünde eşzamanlı algılama ve segmentasyon. Görevler bilgilendirici özellikleri paylaştığında ve veri kümeleri sınırlı olduğunda en etkilidir, çünkü yardımcı görevler ek denetim sağlar. Görevler ilgisiz olduğunda veya bir görevin gradyanları diğerlerini tutarlı bir şekilde zarara uğrattığında (negatif transfer) MTL'den kaçının. Tek görevli temeller her zaman önce oluşturulmalıdır; tek bir görev zaten bol miktarda veriye ve güçlü performansa sahipse, MTL faydası marjinal olabilir.
Güçlü yönler & sınırlılıklar
- İlgili görevlerden gelen tamamlayıcı denetim sinyallerinden yararlanarak genellemeyi iyileştirir
- Örtük bir düzenleyici görevi görür, özellikle düşük veri rejimlerinde aşırı uyumu azaltır
- Toplam çıkarım maliyetini azaltır: tek bir paylaşılan ileri geçiş birden çok görev başlığına eş zamanlı olarak hizmet eder
- Gelecekteki transferi destekleyebilecek görevden bağımsız temsillerin öğrenilmesini teşvik eder
- Görevler yeterince ilgili olmadığında negatif transfer meydana gelebilir, bu da bir veya daha fazla görevdeki performansı düşürür
- Görev kayıp ağırlıklandırması (lambda_t) dikkatli ayar gerektirir ve probleme bağlıdır
- Görevlerin karmaşıklığı veya çıktı yapıları çok farklı olduğunda paylaşılan kapasite yetersiz olabilir
- Hatalar bir görevde paylaşılan ağırlıklar aracılığıyla yayılabileceği için hata ayıklama tek görevli eğitime göre daha zordur
SSS
MTL, transfer öğrenmesinden nasıl farklıdır?
Transfer öğrenmesi önce bir kaynak görev üzerinde eğitilir ve ardından genellikle önceden eğitilmiş ağırlıkları dondurarak veya ince ayar yaparak bir hedef göreve sıralı olarak uyum sağlar. MTL, tüm görevler üzerinde baştan itibaren eş zamanlı olarak eğitilir ve görevler arasında sürekli iki yönlü gradyan akışı olur. Her ikisi de paylaşılan temsilleri kullanır, ancak görevler birlikte mevcut olduğunda MTL tercih edilirken, hedef görev verileri daha sonra geldiğinde veya kıt olduğunda transfer öğrenmesi tercih edilir.
Negatif transfer nedir ve nasıl azaltılabilir?
Negatif transfer, bir görevi öğrenmenin başka bir görevdeki performansı düşürdüğü durumlarda meydana gelir, genellikle gradyan yönleri paylaşılan parametre uzayında çeliştiği için. Azaltma stratejileri arasında gradyan projeksiyonu (çelişkili gradyanları ortak bir alt uzaya yansıtma), baskın görevleri azaltmak için belirsizlik tabanlı kayıp ağırlıklandırması, benzerlik metriklerine dayalı görev gruplama ve çelişkili görevlerin bozabileceği paylaşılan kapasiteyi sınırlamak için görev özel katmanların mimari ayrımı yer alır.
Her zaman görevler arasında eşit kayıp ağırlıkları kullanmalı mıyım?
Nadiren. Eşit ağırlıklar, pratikte neredeyse hiçbir zaman doğru olmayan tüm görevlerin aynı ölçekte ve öneme sahip olduğunu örtük olarak varsayar. Yaygın yaklaşımlar arasında bir doğrulama kümesinde manuel ayarlama, belirsizlik tabanlı dinamik ağırlıklandırma (her görev ağırlığını öğrenilmiş bir gürültü parametresi olarak ele alır) ve görev kayıplarını gradyan büyüklüklerinin karşılaştırılabilir olmasını sağlayacak şekilde ölçeklendiren gradyan normalleştirme yöntemleri bulunur. Eşit ağırlıklarla başlayıp ardından ayarlama yapmak makul bir temel stratejidir.
Kaynaklar
- Caruana, R. (1997). Multitask learning. Machine Learning, 28(1), 41–75. DOI: 10.1023/A:1007379606734 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Multitask Learning. ScholarGate. https://scholargate.app/tr/deep-learning/multitask-learning
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Curriculum Learning (Müfredat Öğrenmesi)Derin öğrenme↔ karşılaştır
- Bilgi DamıtmaDerin öğrenme↔ karşılaştır
- Transfer LearningMakine öğrenmesi↔ karşılaştır