In machine learning, it is often co

In machine learning, it is often common to break down a large problem in to a set of small and rea-
sonably independent subproblems, learn them separately and them combine [5]. A counter argument
for this approach is that this method ignores a lot of information and possible dependence among the
subproblems. For example, if we train a system to learn textures in isolation, that might fail in real scenario when tested with complex real-life scenes. In contrast, a system trained simultaneously on textures, shades, shapes, reflections, shadows, orientations, edges, etc. can potentially benefit from inter-dependence among all these and is expected to perform better to recognize complex objects in the real world. Intuitively, this approach is called multitask learning where the basic idea is that, if several tasks are related, then learning them simultaneously can improve the overall performance compared to learning each of them separately [40].

Kết quả (Việt) 1:

Trong máy học, nó thường là phổ biến để phá vỡ một vấn đề lớn trong cho một tập hợp nhỏ và rea-sonably độc lập bài, tìm hiểu chúng một cách riêng biệt và họ kết hợp [5]. Một đối số truy cậpĐối với phương pháp này là rằng phương pháp này bỏ qua rất nhiều thông tin và có thể phụ thuộc trong số cácbài. Ví dụ, nếu chúng ta đào tạo một hệ thống để tìm hiểu các kết cấu trong sự cô lập, mà có thể thất bại trong kịch bản thực sự khi thử nghiệm với cảnh thật phức tạp. Ngược lại, một hệ thống được đào tạo cùng một lúc về kết cấu, sắc thái, hình dạng, phản ánh, bóng tối, định hướng, cạnh, vv có thể có khả năng hưởng lợi từ sự phụ thuộc liên trong số tất cả các và dự kiến sẽ thực hiện tốt hơn để nhận ra các đối tượng phức tạp trong thế giới thực. Trực giác, cách tiếp cận này được gọi là multitask học nơi ý tưởng cơ bản là rằng, nếu một số nhiệm vụ có liên quan, sau đó học tập họ đồng thời có thể cải thiện hiệu suất tổng thể so với học tập mỗi người trong số họ một cách riêng biệt [40].

Kết quả (Việt) 2:

Trong học máy, nó thường thường để phá vỡ một vấn đề lớn trong một bộ nhỏ và rea
bài toán sonably độc lập, tìm hiểu họ một cách riêng biệt và chúng được kết hợp [5]. Một lập luận phản
đối phương pháp này là phương pháp này đã bỏ qua rất nhiều thông tin và sự phụ thuộc có thể có giữa các
bài toán. Ví dụ, nếu chúng ta đào tạo một hệ thống để tìm hiểu kết cấu trong sự cô lập, mà có thể thất bại trong kịch bản thực tế khi thử nghiệm với những cảnh thực tế cuộc sống phức tạp. Ngược lại, một hệ thống đào tạo đồng thời trên kết cấu, sắc thái, hình dạng, phản ánh, bóng tối, định hướng, cạnh, vv khả năng có thể được hưởng lợi từ liên phụ thuộc trong số tất cả những điều này và dự kiến sẽ thực hiện tốt hơn để nhận ra đối tượng phức tạp trong thế giới thực. Bằng trực giác, phương pháp này được gọi là học multitask nơi ý tưởng cơ bản là, nếu một số nhiệm vụ có liên quan, sau đó học tập họ đồng thời có thể cải thiện hiệu suất tổng thể so với việc học mỗi người một cách riêng biệt [40].