मल्टी-टास्क लर्निंग

प्रति कार्य एक अलग मॉडल बनाने के बजाय, मल्टी-टास्क लर्निंग (एमटीएल) एक साझा रीढ़ का उपयोग करता है जो कार्य-विशिष्ट प्रमुखों में विभाजित होता है। उदाहरण के लिए, एक सेल्फ-ड्राइविंग परसेप्शन नेटवर्क, एक विज़न एनकोडर साझा कर सकता है और फिर कारों का पता लगाने, सड़क को विभाजित करने और गहराई का अनुमान लगाने के लिए प्रमुखों में विभाजित हो सकता है। साझा परतें कार्यों में उपयोगी सामान्य विशेषताएं सीखती हैं, जबकि प्रत्येक प्रमुख विशेषज्ञ होता है। यह आगमनात्मक पूर्वाग्रह और नियमितीकरण के एक रूप के रूप में कार्य करता है: एक कार्य से संकेत साझा प्रतिनिधित्व को बाधित करते हैं, ओवरफिटिंग को कम करते हैं और सामान्यीकरण में सुधार करते हैं, खासकर जब कुछ कार्यों में थोड़ा डेटा होता है। मुख्य चुनौती कार्यों को संतुलित करना है - यदि उनके नुकसान के पैमाने या ग्रेडिएंट संघर्ष करते हैं, तो एक कार्य हावी हो सकता है और अन्य को नुकसान हो सकता है, एक समस्या जिसे नकारात्मक स्थानांतरण कहा जाता है। हानि भार, अनिश्चितता-आधारित भार, और ग्रेडिएंट सर्जरी जैसी तकनीकों का उद्देश्य प्रतिस्पर्धा के बजाय कार्यों को सहयोगपूर्ण बनाए रखना है।