Multi-task Learning – uczenie modelu wykonywania kilku zadań jednocześnie.

Metoda uczenia maszynowego, która polega na jednoczesnym trenowaniu modelu w celu wykonywania wielu zadań, zyskując w ten sposób wspólne reprezentacje i wzajemne informacje między nimi. Pozwala to na poprawę ogólnej wydajności modelu, zwłaszcza gdy zadania są ze sobą powiązane lub dzielą podobne cechy, co umożliwia lepsze wykorzystanie dostępnych danych i zwiększa odporność na przeuczenie.

W praktyce proces obejmuje optymalizację jednego algorytmu względem różnych funkcji celu, prowadząc do wyuczenia parametrów korzystnych dla wszystkich zadań. Strategia ta znajduje zastosowanie m.in. w rozpoznawaniu obrazów, przetwarzaniu języka naturalnego czy systemach rekomendacyjnych, gdzie umożliwia efektywniejsze korzystanie z informacji i poprawę dokładności modelu w porównaniu do podejścia opartego na pojedynczym zadaniu.