ある自動車部品メーカーが、車載カメラの画像から、車線の検出、歩行者や車両の検出、前方の物体までの距離の推定を行うモデルを開発している。1つの画像エンコーダを3つのタスクで共有し、タスクごとに出力用の層を付けたマルチタスク学習の構成を検討している。この構成に関する説明として、最も適切なものを1つ選べ。
1つ選んでください
正解と解説を見る
解説
正解A
ポイント
マルチタスク学習は、関連するタスクで共有部分を一緒に学習することで汎化性能を高めます。タスクの選び方と損失の重みづけが重要です。
選択肢ごとの解説
- A
適切 ◯ 正解
共有部分は複数のタスクに役立つ特徴を学ぶ必要があるため、1つのタスクだけに特化した過学習が起きにくくなります。関連するタスクが互いの正則化として働くことが、主な利点です。
- B
不適切
関連の薄いタスクや目的が衝突するタスクを一緒に学習すると、共有部分の学習が引っ張られ、既存のタスクの精度が下がることがあります（負の転移）。組み合わせるタスクの選び方が重要です。
- C
不適切
値の大きい損失をもつタスクが学習を支配し、ほかのタスクが十分に学習されないことがあります。性能は各損失の重みづけに大きく左右されるため、重みを調整する方法が研究されています。
- D
不適切
共有部分の計算は1回で済み、その結果を3つの出力用の層で使い回せます。そのため、3つのモデルを別々に動かすより計算量やメモリを抑えやすく、車載機器のような環境で有利です。
試験での狙われ方
マルチタスク学習の利点（共有による汎化と効率化）と注意点（負の転移、損失の重みづけ）を、場面にあてはめて問う形が考えられます。
関連用語
参考
- G検定 試験出題範囲（シラバス2024）第1.4版 （技術分野 項目32 マルチモーダル） 2026年10月31日閲覧
- Ruder, An Overview of Multi-Task Learning in Deep Neural Networks (2017) 2026年10月31日閲覧
- Kendall et al., Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics (2017) 2026年10月31日閲覧