MTL多任务学习-Multitask Learning
把多个相关（related）的任务（task）放在一起学习
多任务学习时，多个任务之间的模型空间（Trained Model）是共享的
多任务学习涉及多个相关的任务同时并行学习，梯度同时反向传播，多个任务通过底层的共享表示（shared representation）来互相帮助学习，提升泛化效果。
学习过程中通过一个在浅层的共享表示来互相分享、互相补充学习到的领域相关的信息，互相促进学习，提升泛化的效果。
MTL*享表示有两种方式：
（1）基于参数的共享（Parameter based）：比如基于神经网络的MTL，高斯处理过程。
（2）基于约束的共享（regularization based）：比如均值，联合特征（Joint feature）学习（创建一个常见的特征集合）。
有效的原因
1、引入其他任务噪声可以提高学习的泛化（generalization）效果
2、单任务学习时，梯度的反向传播倾向于陷入局部极小值。多任务学习中不同任务的局部极小值处于不同的位置，通过相互作用，可以帮助隐含层逃离局部极小值
3、添加的任务可以改变权值更新的动态特性，可能使网络更适合多任务学习。比如，多任务并行学习，提升了浅层共享层（shared representation）的学习速率，可能，较大的学习速率提升了学习效果。
4、多个任务在浅层共享表示，可能削弱了网络的能力，降低网络过拟合，提升了泛化效果。