多视角学习（Multi-view Learning）
- 核心思想：从多个不同角度（视角）获取同一对象的信息，并利用这些信息进行学习。例如，对一个人进行分析时，可同时从文字描述、图像特征、语音信息等不同视角入手。
- 应用场景：
- 多媒体数据分析（如图文关联、视频理解）。
- 跨模态检索（如通过文字搜索图片）。
- 社交网络中用户行为分析（结合文本、社交关系等视角）。
- 优势：多角度信息互补，提升模型对复杂问题的理解能力，增强泛化性。
多任务学习（Multi-task Learning）
- 核心思想：同时学习多个相关任务，通过任务间的信息共享和知识迁移，提升每个任务的学习效果。例如，在自动驾驶中同时学习 “目标检测” 和 “车道线识别” 任务。
- 典型方法：
- 共享底层特征提取网络，不同任务使用独立输出层。
- 设计任务间的约束关系（如相似任务的参数共享）。
- 应用场景：
- 自然语言处理（如同时进行情感分析和命名实体识别）。
- 医疗诊断（同时预测多种疾病指标）。
- 优势：减少对单任务数据量的依赖，提高模型效率，避免过拟合。
迁移学习（Transfer Learning）
- 核心思想：将在一个任务（源任务）中学习到的知识迁移到另一个任务（目标任务）中。例如，用 ImageNet 预训练的图像模型迁移到医学图像分类。
- 常见类型：
- 领域迁移：源任务与目标任务领域不同（如从自然图像到医学图像）。
- 任务迁移：源任务与目标任务类型不同（如从图像分类到目标检测）。
- 实现方式：
- 微调（Fine-tuning）：用源任务预训练模型，在目标任务数据上微调参数。
- 特征迁移：提取源任务的特征用于目标任务。
- 应用场景：
- 小样本学习（目标任务数据少，借助源任务知识）。
- 跨语言模型（如英语预训练模型迁移到中文任务）。
- 优势：减少对大规模标注数据的依赖，加速模型训练，降低应用成本。
