# Uczenie wielozadaniowe

EN: **Multi-task learning** · id `multitask` · aliases: MTL, multitask learning, uczenie wielu zadań

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Uczenie maszynowe](https://aiatlasgraph.com/t/ml.md) › Uczenie wielozadaniowe

## Description

- PL: Wspólny trening na kilku zadaniach ze współdzieloną reprezentacją, działający jak regularyzacja i transfer wiedzy między zadaniami.
- EN: Joint training on several tasks with a shared representation, acting as regularisation and knowledge transfer between tasks.

## In one sentence

- PL: Jeden model uczy się kilku powiązanych zadań naraz i korzysta z tego, co mają wspólnego.
- EN: One model learns several related tasks at once and benefits from what they share.

## Problem it solves

- PL: Osobny model do każdego drobnego zadania kosztuje więcej, a każdy z nich widzi tylko część danych.
- EN: A separate model for every small job costs more, and each one sees only part of the data.

## What it does

- PL: Jak kucharz uczący się jednocześnie krojenia i smażenia: wspólne wyczucie produktów pomaga w obu umiejętnościach.
- EN: Like a cook learning to chop and to fry at the same time: a shared feel for ingredients helps with both.

## Everyday example

- PL: Asystent poczty jednym modelem rozpoznaje temat wiadomości, jej pilność i to, czy trzeba na nią odpowiedzieć.
- EN: An email assistant uses one model to spot a message's topic, its urgency and whether it needs a reply.

## This concerns you if you…

- PL: masz kilka powiązanych rzeczy do przewidzenia z tych samych danych
- PL: jedno zadanie ma mało danych, a pokrewne dużo
- EN: need to predict several related things from the same data
- EN: one task has little data but a related one has plenty

## Keywords

hard parameter sharing · soft parameter sharing · auxiliary tasks · negative transfer · GradNorm · uncertainty weighting · PCGrad · multi-head model

## How it works

- PL: Najczęściej stosuje się twarde współdzielenie parametrów: wspólny enkoder i osobne głowice zadań, trenowane sumą ważonych strat. Miękkie współdzielenie trzyma osobne modele, ale karze różnice ich wag. Zadania pomocnicze dodaje się celowo, by poprawić zadanie główne.
- EN: The most common setup is hard parameter sharing: a shared encoder with task-specific heads, trained on a weighted sum of losses. Soft sharing keeps separate models but penalises differences between their weights. Auxiliary tasks are added on purpose to improve the main task.

## Limits

- PL: Zadania mogą sobie szkodzić (negatywny transfer), a dobór wag strat jest trudny i mocno wpływa na wynik. Konflikty gradientów rosną, gdy zadania są słabo powiązane.
- EN: Tasks can hurt each other (negative transfer), and choosing loss weights is hard and strongly affects results. Gradient conflicts grow when tasks are only loosely related.

## Key terms

- PL: **twarde współdzielenie parametrów**: Wspólne warstwy dla wszystkich zadań i osobne wyjścia.
- PL: **negatywny transfer**: Sytuacja, w której wspólna nauka pogarsza wynik któregoś zadania.
- PL: **zadanie pomocnicze**: Dodatkowe zadanie trenowane tylko po to, by pomóc głównemu.
- EN: **hard parameter sharing**: Shared layers for all tasks with separate outputs.
- EN: **negative transfer**: When joint learning makes one of the tasks worse.
- EN: **auxiliary task**: An extra task trained only to help the main one.

## Know first

- [Funkcje straty (entropia krzyżowa, MSE) (Loss functions (cross-entropy, MSE))](https://aiatlasgraph.com/t/lossfunctions.md)

## Sources

- [An Overview of Multi-Task Learning in Deep Neural Networks](<https://arxiv.org/abs/1706.05098>) `ruder-mtl-2017` · by Sebastian Ruder

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/multitask · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30