問題 No.54
画像認識モデルにおいて、「道路の標識を識別するタスク」と「道路の歩行者を検出するタスク」をそれぞれ完全に独立した別々のニューラルネットワークで個別に開発・構築すると、モデルごとに大量の計算リソースやメモリが必要になり、車載エッジデバイスに収まらない問題がある。ネットワークの下層（特徴抽出を行う畳み込み層など）を共通の共有層とし、上層の出力層だけをタスクごとに分岐させることで、1つのモデルで複数の異なるタスクを同時に効率よく学習・実行させる手法はどれか。
【正解の解説】
マルチタスク
Multi-Task Learning（マルチタスク学習）は、複数のタスクで下層を共有しながら学習することで、効率的に計算リソースを使い分け、各タスクの性能を向上させる手法です。
スポンサーリンク
【その他の選択肢の解説】
マルチモーダル
マルチモーダルは、画像、音声、テキストなど、性質の異なる複数のデータ（モダリティ）を組み合わせて処理する手法を指します。
アンサンブル学習
アンサンブル学習は、複数の異なるモデルを組み合わせて、最終的な予測精度を高める手法であり、1つのモデルでタスクを分岐させる手法とは異なります。
転移学習
転移学習は、あるタスクで学習した知識を、別のタスクに流用して効率的に学習させる手法であり、同時にタスクをこなすこととは異なります。