最新深度多任务学习综述论文,22页p

多任务学习是机器学习一类重要的方法。在深度学习背景下，多任务学习有了新的进展。这篇综述论文概述了最近流行的MTL模型的优缺点。

尽管在深度学习方面取得了最近的进展，但大多数方法仍然采用类似“筒仓”的解决方案，专注于孤立地学习每个任务:为每个单独的任务训练一个单独的神经网络。然而，许多现实问题需要多模态方法，因此需要多任务模型。多任务学习(MTL)旨在利用跨任务的有用信息来提高模型的泛化能力。在这个综述中，我们提供了一个最先新的在深度神经网络的背景下MTL技术的全面视角。我们的贡献涉及以下方面。首先，我们从网络架构的角度来考虑MTL。我们包括了一个广泛的概述，并讨论了最近流行的MTL模型的优缺点。其次，我们研究了解决多任务联合学习的各种优化方法。我们总结了这些工作的定性要素，并探讨了它们的共性和差异。最后，我们在各种数据集上提供了广泛的实验评估，以检查不同方法的优缺点，包括基于架构和优化的策略。

转载请注明：http://www.iogko.com/wazlyy/8249.html