↑: [[G検定に関する知識]] - 複数のタスクを同時に学習する手法 - 構造：共通の特徴抽出部（共有層）＋タスクごとのヘッド（出力層） - 個別学習（例：74%）よりまとめ学習（例：86%）の方が精度が向上することがある - 共通の特徴を共有することで汎化性能が上がる - cf. [[転移学習]], [[基盤モデル]], [[Unified-IO]] - 正則化効果：共有パラメータが複数タスクの制約（勾配信号）を同時に受けるため過学習を抑えやすい - 区別：転移学習・ファインチューニングは**逐次的な転用**、アンサンブル学習は**独立モデルの予測統合**。マルチタスクは**訓練時に複数タスクを同時学習**（「訓練は1タスク・推論で並列」は誤り）← ひっかけ - 注意：無関係なタスクを混ぜると一方が他方を阻害する**負の転移（ネガティブトランスファー）**が起こりうる