Una Encuesta sobre Aprendizaje Multi-Tarea

El Aprendizaje Multi-Tarea (MTL) es un paradigma de aprendizaje en el aprendizaje automático y su objetivo es aprovechar la información útil contenida en múltiples tareas relacionadas para ayudar a mejorar el rendimiento de generalización de todas las tareas. En este documento, ofrecemos una encuesta sobre MTL desde la perspectiva de modelado algorítmico, aplicaciones y análisis teóricos. Para el modelado algorítmico, damos una definición de MTL y luego clasificamos diferentes algoritmos de MTL en cinco categorías, incluyendo el enfoque de aprendizaje de características, el enfoque de rango bajo, el enfoque de agrupamiento de tareas, el enfoque de aprendizaje de relaciones de tareas y el enfoque de descomposición, además de discutir las características de cada enfoque. Para mejorar aún más el rendimiento de las tareas de aprendizaje, MTL puede combinarse con otros paradigmas de aprendizaje, incluyendo aprendizaje semisupervisado, aprendizaje activo, aprendizaje no supervisado, aprendizaje por refuerzo, aprendizaje de múltiples vistas y modelos gráficos. Cuando el número de tareas es grande o la dimensionalidad de los datos es alta, revisamos modelos MTL en línea, paralelos y distribuidos, así como reducción de dimensionalidad y hash de características para revelar sus ventajas computacionales y de almacenamiento. Muchas aplicaciones del mundo real utilizan MTL para impulsar su rendimiento y revisamos trabajos representativos en este documento. Finalmente, presentamos análisis teóricos y discutimos varias direcciones futuras para MTL.