Multi-task Learning (MTL) ist eine Methode des Maschinellen Lernens, bei der ein Modell mehrere Aufgaben gleichzeitig lernt.

Das gemeinsame Lernen verschiedener Aufgaben kann die Leistung des Modells verbessern, indem es die gemeinsamen Muster oder Strukturen in den Daten erkennt und ausnutzt. Dadurch kann das Modell mehrere Aufgaben gleichzeitig übernehmen. Dabei basiert die Modellarchitektur auf einem gemeinsamen Teil, sowie spezifischen Schichten für individuelle Ziele (Deep Learning). Durch das Teilen von Informationen und Strukturen zwischen den Aufgaben kann das Modell Domänenwissen aus verschiedenen Aufgaben extrahieren und generalisieren, was zu einer besseren Leistung und einer höheren Robustheit führen kann.

Beim Multi-Task Learning werden zumeist die verschiedenen Lernansätze kombiniert:

• Supervised Machine Learning
• Unsupervised Machine Learning
• Reinforcement Learning

• End-To-End Multi-Task Learning With Attention (2019)
  Shikun Liu; Edward Johns; Andrew J. Davison In: 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) p1871-1880
• Cross-Stitch Networks for Multi-task Learning (2016)
  Ishan Misra; Abhinav Shrivastava; Abhinav Gupta; Martial Hebert In: 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) p3994–4003