多タスク学習

機械学習

本サーベイは、多タスク学習の進化を包括的に概説する。伝統的な手法では、正則化、関係性学習、特徴伝播などの手法が提案されてきた。これらは、タスク間の関係性を捉えることで、効率的かつ効果的な学習を実現する。深層学習の登場により、特徴融合、カスケーディング、知識蒸留、クロスタスクアテンションなどの手法が登場した。これらは、多様な特徴を効果的に活用することで、性能向上を図る。さらに近年では、プリトレーン基盤モデルの登場により、タスクに依存しない汎用的な多タスク学習が可能になってきた。タスクプロンプティングやマルチモーダル統合などの手法が提案されている。全体として、多タスク学習は、固定されたタスクセットを扱う従来の枠組みから、タスクやモダリティの制約から自由な柔軟なアプローチへと進化してきた。ゼロショット学習の能力を秘めた、歴史的に注目されてきた学習パラダイムの可能性が開かれつつある。

機械学習

多タスク学習による自然言語処理の概要

多タスク学習における一般的なパラダイムの挑戦

多出力ニューラルネットワークの変動空間