マルチタスク学習

1つのニューラルネットワークを用いて、複数の関連するタスクを同時に学習させる手法です。モデルのパラメータをタスク間で共有することで、それぞれのタスクの学習を効率化します。

共通の層で特徴表現を学習し、タスク固有の層でそれぞれの予測を行います。あるタスクの学習で得られた知見が他のタスクの精度向上に寄与し、過学習を防ぐ効果も期待できるため、汎化性能の向上が見込めます。

G検定では、転移学習と混同されがちですが、マルチタスク学習は複数のタスクを並行して学習する点が特徴です。モデルの効率化や精度の向上を図るためのテクニックとして、その有効性が問われます。