Pembelajaran Multi-Tugas
Pembelajaran multi-tugas melatih satu model untuk melakukan beberapa tugas terkait sekaligus, berbagi representasi internal di seluruh tugas tersebut.
Ikhtisar
By learning shared structure, each task helps the others, often improving accuracy and data efficiency over training separate models.
Menyelam Lebih Dalam
Daripada membangun model terpisah per tugas, pembelajaran multi-tugas (MTL) menggunakan tulang punggung bersama yang bercabang ke kepala tugas tertentu. Jaringan persepsi mengemudi mandiri, misalnya, mungkin berbagi encoder visi dan kemudian dipecah menjadi beberapa kepala untuk mendeteksi mobil, mensegmentasi jalan, dan memperkirakan kedalaman. Lapisan bersama mempelajari fitur-fitur umum yang berguna di seluruh tugas, sementara masing-masing kepala berspesialisasi. Hal ini bertindak sebagai bentuk bias dan regularisasi induktif: sinyal dari satu tugas membatasi representasi bersama, mengurangi overfitting, dan meningkatkan generalisasi, terutama ketika beberapa tugas memiliki sedikit data. Tantangan utamanya adalah menyeimbangkan tugas – jika skala kerugian atau gradiennya bertentangan, satu tugas akan mendominasi dan tugas lainnya akan menderita, sebuah masalah yang disebut transfer negatif. Teknik seperti pembobotan kerugian, pembobotan berbasis ketidakpastian, dan operasi gradien bertujuan untuk menjaga tugas-tugas tetap kooperatif daripada bersaing.
Wawasan Teknis
Sasaran total biasanya merupakan jumlah tertimbang dari kerugian per tugas, L = Σ wᵢ Lᵢ, dan pemilihan bobot wᵢ sangat penting karena tugas berbeda dalam skala dan tingkat kesulitan. Berbagi parameter keras (batang umum, kepala terpisah) adalah pendekatan yang paling sederhana dan paling teratur; pembagian yang lembut membuat model-model yang terpisah tetap digabungkan secara longgar. Gradien yang bertentangan di seluruh tugas dapat dibatalkan, sehingga metode seperti pembobotan ketidakpastian (mempelajari wᵢ secara otomatis) atau PCGrad (memproyeksikan komponen gradien yang bertentangan) membantu tugas-tugas dilatih bersama secara stabil.
Dampak Strategis
Cost and budget
Keputusan arsitektur mendorong kinerja dan biaya pengoperasian selama bertahun-tahun.
Clearer decisions
Pendidikan teknis membantu tim memilih tumpukan yang tepat, bukan hanya yang terbaru.
Quality control
Pilihan teknik yang lebih baik mengurangi insiden keandalan dalam produksi.
Masa Depan Pembelajaran Multi-Tugas
Pembelajaran multi-tugas mendasari tren menuju model generalis. Model bahasa besar pada dasarnya bersifat multitugas — satu jaringan menangani penerjemahan, peringkasan, pengkodean, dan tanya jawab — dan sistem multimodal memperluas hal ini ke seluruh teks, gambar, dan audio. Harapkan meningkatnya penggunaan arsitektur terpadu dan penyetelan instruksi yang menggabungkan banyak tugas ke dalam satu model, ditambah penyeimbangan dan perutean tugas otomatis yang lebih baik (seperti dalam campuran pakar) sehingga menambahkan tugas tidak lagi berarti menambahkan model terpisah.
Implementasi Dunia Nyata
Tumpukan persepsi mengemudi mandiri yang berbagi satu encoder visi untuk deteksi objek, segmentasi jalur, dan estimasi kedalaman.
Model bahasa besar yang menangani terjemahan, ringkasan, sentimen, dan menjawab pertanyaan dengan satu jaringan bersama.
Sistem rekomendasi bersama-sama memprediksi klik, waktu tonton, dan pembelian untuk mengoptimalkan keterlibatan pengguna.
Model pencitraan medis yang secara bersamaan mendeteksi tumor, mengelompokkan batasnya, dan mengklasifikasikan jenisnya dari pemindaian yang sama.
Risiko & Pagar Pembatas
Mengoptimalkan satu tolok ukur dapat menyembunyikan kelemahan sistem yang lebih luas.
Biaya infrastruktur dan pemeliharaan sering kali diremehkan.
Kesenjangan keamanan dan kemampuan observasi dapat tumbuh seiring dengan semakin kompleksnya sistem.
Peta Jalan Implementasi
Tentukan target latensi, kualitas, dan biaya sebelum penerapan.
Tolok ukur dalam kondisi beban dan data yang realistis.
Pemantauan instrumen untuk kesalahan, penyimpangan, dan dampak pengguna.
Siapkan jalur rollback dan respons insiden sebelum melakukan penskalaan.
Terus Menjelajah
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Multi-Task Learning quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Berbagi Parameter Keras di Jaringan Multi-Tugas
Pertanyaan yang sering diajukan
What is Multi-Task Learning?
Pembelajaran multi-tugas melatih satu model untuk melakukan beberapa tugas terkait sekaligus, berbagi representasi internal di seluruh tugas tersebut. Dengan mempelajari struktur bersama, setiap tugas membantu tugas lainnya, sering kali meningkatkan akurasi dan efisiensi data dibandingkan melatih model terpisah.
Apa ide inti dari pembelajaran multi-tugas?
MTL melatih satu model pada banyak tugas sehingga lapisan bersama menangkap struktur yang berguna di semua tugas tersebut.
Dalam jaringan MTL berbagi parameter keras, apa yang dibagikan dan apa yang terpisah?
Berbagi parameter keras menggunakan trunk umum untuk fitur umum dan head terpisah yang dikhususkan untuk setiap tugas.
Mengapa pembelajaran multitugas dapat meningkatkan generalisasi?
Mempelajari beberapa tugas membatasi fitur bersama, bertindak sebagai regularisasi yang sering kali membantu tugas-tugas dengan data rendah khususnya.
Apa yang dimaksud dengan 'transfer negatif' dalam pembelajaran multitugas?
Gradien yang saling bertentangan atau kerugian yang dominan dapat menyebabkan satu tugas menurunkan tugas lainnya, kebalikan dari transfer yang bermanfaat.
Bagaimana biasanya kerugian keseluruhan terbentuk dalam pembelajaran multi-tugas?
Tujuannya biasanya Σ wᵢ Lᵢ, dan pemilihan bobot sangatlah penting karena skala dan kesulitan tugas berbeda-beda.