Presná definícia
Čo znamená učenie viacerých úloh?
Učenie viacerých úloh optimalizuje spoločný model pre viac cieľov naraz a využíva zdieľané reprezentácie ako induktívne obmedzenie. Úlohy môžu mať spoločnú chrbticu a samostatné hlavy alebo zdieľať parametre mäkko. Prínos vzniká iba pri kompatibilných signáloch; nesprávne váženie strát alebo konfliktné gradienty môžu spôsobiť negatívny prenos medzi úlohami.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Pri analýze dokumentov jedna chrbtica súčasne predikuje typ, jazyk a citlivé polia. Každá hlava má vlastnú metriku a strata sa škáluje tak, aby najväčšia numerická hodnota neovládla tréning. Dávky obsahujú informáciu o chýbajúcich cieľoch, ktoré sa nemajú považovať za negatíva. Tím porovná spoločný model so samostatnými modelmi, sleduje konflikty gradientov a uvádza výkon každej úlohy, nie iba priemer.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Čo sa medzi úlohami zdieľa?
Reprezentácia, vrstvy alebo regularizačná väzba parametrov.
Musia mať úlohy rovnaký výstup?
Nie, môžu používať samostatné hlavy a straty.
Prečo sa straty vážia?
Ich mierky a dôležitosť sa môžu výrazne líšiť.
Kedy nastane?
Keď zdieľanie poškodí aspoň jednu úlohu oproti jej samostatnému modelu.
Stačí agregované skóre?
Nie, treba uviesť výsledok a kompromis pre každú úlohu.