Key points are not available for this paper at this time.
التعلم متعدد المهام (MTL) هو نموذج تعلم في مجال التعلم الآلي، وهدفه هو الاستفادة من المعلومات المفيدة الموجودة في مهام متعددة ذات صلة لتحسين أداء التعميم لكل المهام. في هذه الورقة، نقدم استطلاعًا حول MTL من منظور النمذجة الخوارزمية، والتطبيقات، والتحليلات النظرية. بالنسبة للنمذجة الخوارزمية، نقدم تعريفًا لـ MTL ثم نصنّف خوارزميات MTL المختلفة إلى خمس فئات، بما في ذلك نهج تعلم الميزات، النهج منخفض الرتبة، نهج تجميع المهام، نهج تعلم علاقات المهام، ونهج التحليل، بالإضافة إلى مناقشة خصائص كل نهج. من أجل تحسين أداء المهام التعليمية بشكل أكبر، يمكن دمج MTL مع نماذج تعلم أخرى بما في ذلك التعلم شبه المراقب، التعلم النشط، التعلم غير المراقب، التعلم التعزيزي، التعلم متعدد الرؤى، والنماذج البيانية. عند زيادة عدد المهام أو ارتفاع أبعاد البيانات، نستعرض نماذج MTL على الإنترنت، المتوازية، والموزعة، بالإضافة إلى تقليل الأبعاد وإسقاط الميزات لإظهار مزاياها الحسابية والتخزينية. تستخدم العديد من التطبيقات في العالم الحقيقي MTL لتعزيز أدائها، ونستعرض أعمالًا تمثيلية في هذه الورقة. أخيرًا، نقدم تحليلات نظرية ونناقش عدة اتجاهات مستقبلية لـ MTL.
درس Zhang et al. (الأربعاء) هذا السؤال.