---
title: "多任務強化學習（Multi-task Reinforcement Learning）"
slug: multi-task-reinforcement-learning
language: zh-TW
source: https://aiterms.tw/terms/multi-task-reinforcement-learning
updated_at: 2026-07-30
tags: [強化學習, 多任務學習, 遷移學習, 樣本效率]
ipas_term: false
---

# 多任務強化學習（Multi-task Reinforcement Learning）

同時學習多個相關任務的強化學習方法，利用任務間的知識共享提升效率。

## 完整說明

多任務強化學習（MTRL）在單個智能體中同時訓練多個相關的強化學習任務，利用任務間的共性加速學習。通過共享神經網路層、轉移表示或策略等方式，在一個任務上習得的知識能幫助其他任務的學習，改進樣本效率與泛化能力。

## 常見問題

### 如何選擇哪些任務應該放在一起進行多任務學習？

任務選擇是MTRL成敗的關鍵。好的任務組合通常滿足：第一，狀態空間相同或高度重疊：若任務的感知空間完全不同（如棋類vs.視覺控制），共享參數效果差；第二，動作空間相同：共享動作層通常無益；第三，存在可共享的中間表示：任務需要類似的特徵提取（如視覺識別、因果推理）；第四，難度相當：簡單任務與超難任務混合，會相互干擾。一般建議從相似度最高的任務對開始，逐漸擴展。

### 負遷移（一個任務損害另一個任務的學習）如何避免？

負遷移通常源於任務差異過大或參數共享過度。預防方法：第一，任務篩選：只組合相似的任務；第二，適應性參數共享：某些層全共享，某些層任務特定；第三，梯度分離：使用梯度投影或梯度過濾技術，阻止梯度方向衝突；第四，監控與動態調整：持續監測每個任務的性能，若發現衰退則自動調整共享程度或任務權重；第五，選擇性共享：某些層完全獨立，某些層深度共享，通過實驗找到最佳配置。

### 多任務學習中如何處理任務優先級不同的情況？

現實中不同任務的重要度往往不同，平等訓練會導致重要任務被邊緣化。幾種策略：第一，加權損失：根據優先級給不同任務的損失加權；第二，優先級採樣：高優先級任務的樣本更頻繁地被訪問與訓練；第三，課程學習：初期訓練簡單/高優先級任務，逐步加入複雜/低優先級任務；第四，約束優化：確保高優先級任務的性能不低於門檻，在此約束下優化其他任務；第五，多目標優化：明確建模優先級衝突，尋求帕累托最優解。

---

來源：https://aiterms.tw/terms/multi-task-reinforcement-learning
快查頁：https://aiterms.tw/terms/multi-task-reinforcement-learning
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-multi-task-reinforcement-learning