eNews第42期
一般機器學習任務中常見採用各種演算法都無法建立可靠預測模型的問題,其中的關鍵因素大致上包括資料量不足以建構可靠的預測模型,或特徵與預測標的(Target)無直接且顯而易見的關聯等因素。雖然進一步增加資料量抑或是改進特徵擷取可能有助於強化預測模型,然而在大多數的案例中,額外增加資料或擷取新的特徵並非短時間可以達成,甚至須耗費相當大量的經費取得新樣本與特徵才能測試建模結果,並且無法保證能強化預測效能。所幸在機器學習領域中有個目前非常受到重視的概念『遷移學習 (Transfer Learning)』,即利用相近學習任務的學習經驗遷移至目標學習任務來強化預測模型的表現。而遷移學習有許多作法,本文探討其中一種作法『多任務學習 (Multitask Learning)』,即同時學習多種相近任務在訓練過程中將各個任務學習經驗遷移至其他任務當中。多任務學習的重點在於建立共享知識的機制,而許多的機器學習演算法都可以進一步開發為多任務學習演算法,舉例來說深度學習可藉由建立幾層的共享層(Shared Layer)並在最後加上個別的任務層(Task-Specific Layer)來達到多任務學習的目的,進而改善預測準確度。...