Uma Pesquisa sobre Aprendizado de Múltiplas Tarefas

O Aprendizado de Múltiplas Tarefas (MTL) é um paradigma de aprendizado em aprendizado de máquina e seu objetivo é aproveitar a informação útil contida em múltiplas tarefas relacionadas para ajudar a melhorar o desempenho de generalização de todas as tarefas. Neste artigo, apresentamos uma pesquisa sobre MTL sob a perspectiva de modelagem algorítmica, aplicações e análises teóricas. Para modelagem algorítmica, fornecemos uma definição de MTL e, em seguida, classificamos diferentes algoritmos de MTL em cinco categorias, incluindo abordagem de aprendizado de características, abordagem de baixa classificação, abordagem de clusterização de tarefas, abordagem de aprendizado de relação de tarefas e abordagem de decomposição, além de discutir as características de cada abordagem. Para melhorar ainda mais o desempenho das tarefas de aprendizado, MTL pode ser combinado com outros paradigmas de aprendizado, incluindo aprendizado semi-supervisionado, aprendizado ativo, aprendizado não supervisionado, aprendizado por reforço, aprendizado de múltiplas visões e modelos gráficos. Quando o número de tarefas é grande ou a dimensionalidade dos dados é alta, revisamos modelos de MTL online, paralelos e distribuídos, bem como redução de dimensionalidade e hashing de características para revelar suas vantagens computacionais e de armazenamento. Muitas aplicações do mundo real utilizam MTL para impulsionar seu desempenho e revisamos trabalhos representativos neste artigo. Por fim, apresentamos análises teóricas e discutimos várias direções futuras para MTL.