---
title: "多任務學習（Multi-task Learning）"
slug: multi-task-learning
language: zh-TW
source: https://aiterms.tw/terms/multi-task-learning
updated_at: 2026-07-29
tags: [機器學習, 深度學習, 模型訓練, 遷移學習, 神經網路, 最佳化, 特徵工程, 模型評估, AI基礎]
ipas_term: false
---

# 多任務學習（Multi-task Learning）

> **你有沒有想過，一個模型能不能同時學會幾件相關的事？**
> 你可以把它想成同一個學生一起學作文、閱讀、和摘要，讓不同任務互相幫忙。
> 當任務彼此有關時，共用表示通常能省資料、提泛化，也能讓模型學到更通用的特徵。 這也讓它很適合先拿到可用答案，再慢慢把精度往上推。
>
### 容易混淆

> **多任務學習 vs 遷移學習**
> 多任務學習：同一時間學多個任務
> 遷移學習：先學一個，再拿去學另一個
> 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
>
> **多任務學習 vs 多模型**
> 多任務學習：一個模型共享底層表示
> 多模型：每個任務各自訓練，資源更分散
> 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
>
### 記住這句就好

> 相關任務一起學，常比單獨學更省力。
>
### 實際案例

> **客服 NLP**
> 同一套模型同時做意圖辨識、情緒判斷、和關鍵資訊抽取，整體流程更快。
>
> **醫療文書**
> 一個模型同時判斷疾病分類與症狀抽取，因為兩個任務都在看同一份病歷。
>
### 算法與應用

> 多任務學習最怕負遷移，任務不相干時，共享參數反而會互相干擾。
> 常見做法有硬共享、軟共享、和任務專屬頭。
> 好的設計會讓主幹學共通表示，尾端保留每個任務自己的細節。
>

### 中英對照與常見說法

| 說法 | 出現場合 |
| --- | --- |
| 多任務學習 | 中文正式用語 |
| 多任务学习 | 簡體寫法 |
| Multi-Task Learning | 英文原名 |
| MTL | 標準縮寫 |
| 多目標學習 | 常見混用，但嚴格說多目標最佳化是另一個領域的詞 |

### 兩種參數共享方式

| | 硬共享（hard sharing） | 軟共享（soft sharing） |
| --- | --- | --- |
| 結構 | 底層完全共用，每個任務只有自己的輸出頭 | 每個任務有自己的完整網路，用正則化項拉近彼此參數 |
| 參數量 | 少 | 多 |
| 過度擬合風險 | 低，共享層被多個任務約束 | 較高 |
| 任務衝突時 | 影響大，會互相拉扯 | 影響小，各自保有彈性 |

> 硬共享是預設做法，因為它最省參數也最容易實作。任務之間關聯不強的時候才考慮軟共享，或改用專家混合（Mixture-of-Experts）這類讓不同任務走不同路徑的架構。

### 為什麼有時候會變差

> 多任務學習的賣點是「任務之間互相幫忙」，但實際上經常出現**負遷移（negative transfer）**，也就是一起學反而比各自學差。
>
> **主因一，梯度衝突。** 兩個任務對同一組共享參數要求相反的更新方向，合起來互相抵銷。PCGrad 這類方法就是在偵測到梯度夾角為負時，把其中一個投影掉。
>
> **主因二，損失尺度差太多。** 一個任務的損失是 0.001 量級，另一個是 10 量級，直接相加等於只在訓練後者。常見對策是手動加權、用不確定性自動加權（Kendall 等人的方法），或用 GradNorm 讓各任務的梯度大小維持平衡。
>
> **主因三，資料量嚴重不平衡。** 樣本多的任務主導了共享層。對策是調整取樣比例，或對小任務的損失加權。
>
> **判斷值不值得做多任務的實用準則**：先各自單獨訓練當基準線。多任務版本至少要在主要任務上不輸單任務版本，才算成功。純粹為了省一個模型而犧牲主任務精度，通常不划算。

### 什麼場景真的適合

> 任務彼此相關且共用同一批輸入時效果最好，例如自駕感知（同一張影像同時做偵測、分割、深度估計）、推薦系統（同時預測點擊率與轉換率）、語音（同時做辨識與語者識別）。
>
> 一個常被忽略的好處是**推論成本**。三個任務一個模型跑一次，比三個模型跑三次省，這在邊緣裝置上往往才是採用多任務的真正理由。

### 情境判斷

> **Q1（直覺題）：你有分類、抽取、摘要三個任務，而且資料彼此相關，最像什麼策略？**
> → 多任務學習，因為共享表示能互相幫忙。
>
> **Q2（判斷題）：如果其中一個任務非常奇怪，和其他任務差很多，還硬放一起學，風險是什麼？**
> → 可能出現負遷移，讓本來簡單的任務也變差。
>
### 常見問題

> **Q：多任務學習一定比較好嗎？**
> 不一定，任務相關才有機會互利。
>
> **Q：共享越多越好嗎？**
> 也不是，共享太多會讓任務細節被沖淡。
>
> **Q：它和集成學習一樣嗎？**
> 不一樣，集成是多個模型投票，多任務是單一模型一起學。
>
### 相關術語

> - **遷移學習**：想看任務之間如何把能力轉過去，這是下一步。
> - **微調**：多任務學習之後常接著做任務專屬微調。
> - **元學習**：都在想怎麼讓模型更會學。
> - **少樣本學習**：資料少時，多任務學習的共享表示很有幫助。
> - **持續學習**：任務不是一次到位時，這個概念常一起出現。

---

來源：https://aiterms.tw/terms/multi-task-learning
快查頁：https://aiterms.tw/terms/multi-task-learning
最後更新：2026/07/29
深度解說：https://aiterms.tw/learning/what-is-multi-task-learning