多任务学习概述论文：从定义和方法到应用和原理分析

清风不见月

多任务学习概述论文：从定义和方法到应用和原理分析


    多任务学习（MTL）是一个很有前景的机器学习领域，其目标是通过利用多个相关学习任务之间的有用信息来提升它们的表现。我们在本论文中对 MTL 进行了概述。首先我们将介绍 MTL 的定义，然后会介绍多种不同的 MTL 设置，其中包括多任务监督学习、多任务无监督学习、多任务半监督学习、多任务主动学习、多任务强化学习、多任务在线学习和多任务多视角学习。对于每种设置，我们将给出代表性的 MTL 模型。我们还将介绍用于加速学习过程的并行和分布式 MTL 模型。我们也将概览使用 MTL 来提升性能的诸多应用领域（包括计算机视觉、生物信息学、健康信息学、语音、自然语言处理、网络应用和普适计算）和一些代表性的成果。最后我们将介绍近期对 MTL 的理论分析。

    利用历史数据中的有用信息来帮助分析未来数据的机器学习，通常需要大量有标签数据才能训练出一个优良的学习器。深度学习模型是一种典型的机器学习模型，因为这类模型是带有很多隐藏层和很多参数的神经网络，所以通常需要数以百万计的数据样本才能学习得到准确的参数。但是，包括医学图像分析在内的一些应用无法满足这种数据要求，因为标注数据需要很多人力劳动。在这些情况下，多任务学习（MTL）可以通过使用来自其它相关学习任务的有用信息来帮助缓解这种数据稀疏问题。

    想更多的了解北美作业代写相关流程的朋友请访问： 北美作业代写 www.essayphds.com