ملٹی ٹاسک لرننگ

By learning shared structure, each task helps the others, often improving accuracy and data efficiency over training separate models.

فی ٹاسک ایک الگ ماڈل بنانے کے بجائے، ملٹی ٹاسک لرننگ (MTL) ایک مشترکہ بیک بون کا استعمال کرتا ہے جو ٹاسک کے مخصوص ہیڈز میں شاخیں کرتا ہے۔ خود ڈرائیونگ پرسیپشن نیٹ ورک، مثال کے طور پر، ایک وژن انکوڈر کا اشتراک کر سکتا ہے اور پھر کاروں کا پتہ لگانے، سڑک کو الگ کرنے، اور گہرائی کا تخمینہ لگانے کے لیے سروں میں تقسیم ہو سکتا ہے۔ مشترکہ پرتیں تمام کاموں میں مفید عمومی خصوصیات کو سیکھتی ہیں، جب کہ ہر سربراہ مہارت رکھتا ہے۔ یہ انڈکٹو تعصب اور ریگولرائزیشن کی ایک شکل کے طور پر کام کرتا ہے: ایک کام کے اشارے مشترکہ نمائندگی کو محدود کرتے ہیں، اوور فٹنگ کو کم کرتے ہیں اور عام کو بہتر بناتے ہیں، خاص طور پر جب کچھ کاموں میں بہت کم ڈیٹا ہوتا ہے۔ اہم چیلنج کاموں کو متوازن کرنا ہے - اگر ان کے نقصان کے پیمانے یا گریڈینٹ آپس میں متصادم ہوتے ہیں، تو ایک کام حاوی ہو سکتا ہے اور دوسرے کو نقصان پہنچ سکتا ہے، ایک مسئلہ جسے منفی منتقلی کہا جاتا ہے۔ وزن کم کرنے، غیر یقینی صورتحال پر مبنی وزن، اور تدریجی سرجری جیسی تکنیکوں کا مقصد مقابلہ کرنے کی بجائے کاموں کو تعاون کرتے رہنا ہے۔