Aprendizaje Multi-tarea

El aprendizaje multi-tarea (en inglés Multi-Task Learning o MTL) entrena una sola red para resolver varias tareas relacionadas a la vez, en lugar de construir un modelo independiente para cada una. La clave está en que esas tareas comparten una misma representación interna: las capas que extraen los rasgos del dato son comunes, y lo que el modelo aprende resolviendo una tarea queda disponible para las demás.

La idea la formalizó Rich Caruana en su artículo «Multitask Learning» (1997), donde la describió como una forma de transferencia inductiva: aprender varias tareas en paralelo, apoyándose en una representación compartida, hace que lo aprendido para una ayude a que las otras se aprendan mejor.

Por qué ayuda: sesgo inductivo y regularización

Caruana explicó el MTL como un sesgo inductivo: la información contenida en las señales de entrenamiento de las tareas vecinas empuja al modelo a preferir hipótesis que expliquen más de una tarea, y eso mejora la generalización. Más señal y representaciones más robustas: ese es el trato que ofrece el MTL cuando las tareas están de verdad emparentadas.

Compartición dura frente a blanda

Hay dos maneras de repartir los parámetros. En la compartición dura (hard sharing), el enfoque más habitual, todas las tareas comparten literalmente las mismas capas ocultas y solo se separan al final, en una «cabeza» específica por tarea; al forzar un tronco común, reduce mucho el riesgo de sobreajuste. En la compartición blanda (soft sharing), cada tarea conserva su propio modelo y sus propios parámetros, pero se penaliza la distancia entre ellos para que las soluciones se parezcan sin ser idénticas. La dura es más económica y rígida; la blanda, más flexible y cara.

Cuándo perjudica: la transferencia negativa

Compartir no siempre suma. Cuando las tareas compiten o no guardan relación, obligarlas a un mismo tronco degrada el resultado: es la transferencia negativa. A ello se añade el problema de equilibrar las pérdidas de cada tarea, porque una que domine el entrenamiento puede ahogar a las demás; no existe una receta universal para ponderarlas, y sigue siendo terreno de investigación activa. Conviene no confundir el MTL con el aprendizaje por transferencia (transfer learning), que traslada lo aprendido de una tarea a otra en serie, una después de otra; el multi-tarea entrena todas a la vez. Esa distinción tiene entrada propia en este glosario.