এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
মাল্টি-টাস্ক LASSO ট্রেস লস
ওজন ম্যাট্রিক্সের L2,1 নর্মকে শাস্তি দিয়ে মাল্টি-টাস্ক প্রসঙ্গে LASSO নিয়মিতকরণের সম্প্রসারণ, যা সমস্ত কাজের জন্য সাধারণ বৈশিষ্ট্যগুলির নির্বাচনকে উৎসাহিত করে।
L2,1 ব্লক নর্ম
নিয়মিতকরণ নর্ম যা ওজন ম্যাট্রিক্সের প্রতিটি সারির (বৈশিষ্ট্য) জন্য L2 নর্ম গণনা করে এবং তারপর সমস্ত ফলাফলের উপর L1 নর্ম প্রয়োগ করে, ভাগ করা বৈশিষ্ট্যগুলির স্তরে স্পার্সিটিকে উৎসাহিত করে।
মাল্টি-টাস্ক কার্নেল নিয়মিতকরণ
কাজগুলির মধ্যে কোভেরিয়েন্স কার্নেল সংজ্ঞায়িত করে কার্নেল পদ্ধতিগুলিকে মাল্টি-টাস্ক ফ্রেমওয়ার্কে প্রসারিত করার একটি পদ্ধতি, যা মডেল প্যারামিটার এবং আন্তঃ-টাস্ক সম্পর্কগুলি একই সাথে শিখতে দেয়।
টাস্ক ফ্যাক্টর
নিয়মিতকরণ প্যারামিটার যা মাল্টি-টাস্ক লার্নিং উদ্দেশ্যে প্রতিটি কাজের আপেক্ষিক প্রভাব নিয়ন্ত্রণ করে, সামগ্রিক লস ফাংশনে বিভিন্ন কাজের অবদান ভারসাম্য করতে দেয়।
মাল্টি-টাস্ক অর্থোগোনালিটি
নিয়মিতকরণ সীমাবদ্ধতা যা প্রতিটি কাজের নির্দিষ্ট উপস্থাপনাগুলিকে পরস্পরের সাথে অর্থোগোনাল হতে বাধ্য করে, এইভাবে নেতিবাচক হস্তক্ষেপ হ্রাস করে যখন ভাগ করা জ্ঞান সংরক্ষণ করে।
মাল্টি-টাস্ক গ্রুপিং পেনাল্টি
নিয়মিতকরণ কৌশল যা কাজগুলির জন্য তাদের প্রাসঙ্গিকতা অনুযায়ী মডেল প্যারামিটারগুলিকে গ্রুপ করে, নির্বাচনী উপস্থাপনা ভাগ করার উৎসাহ দেওয়ার জন্য বিভিন্ন স্তরের শাস্তি প্রয়োগ করে।
সিঙ্গুলার ভ্যালু ডিকম্পোজিশন নিয়মিতকরণ
একটি পদ্ধতি যা SVD-এর মাধ্যমে কাজগুলির মধ্যে ভাগ করা ওজন ম্যাট্রিক্সে কম র্যাঙ্কের সীমাবদ্ধতা প্রয়োগ করে, মডেলের জটিলতা হ্রাস করার সময় প্রয়োজনীয় আন্তঃ-টাস্ক সম্পর্কগুলি ক্যাপচার করে।
মাল্টি-টাস্ক ড্রপআউট
ড্রপআউটের একটি বৈকল্পিক যা মাল্টি-টাস্ক প্রসঙ্গে অভিযোজিত, যেখানে নিউরনগুলি কাজ-নির্দিষ্ট শাখাগুলিতে সমন্বিতভাবে নিষ্ক্রিয় করা হয়, এইভাবে গুরুত্বপূর্ণ ভাগ করা সংযোগগুলি সংরক্ষণ করে।
মাল্টি-টাস্ক অ্যাডভারসারিয়াল রেগুলারাইজেশন
একটি পদ্ধতি যা শেয়ার্ড রিপ্রেজেন্টেশনগুলিকে রেগুলারাইজ করতে একটি অ্যাডভারসারিয়াল নেটওয়ার্ক ব্যবহার করে, নিশ্চিত করে যে সেগুলিতে সমস্ত টাস্কের জন্য পর্যাপ্ত তথ্য রয়েছে কিন্তু কোনো নির্দিষ্ট টাস্কের দিকে পক্ষপাতদুষ্ট নয়।
ম্যাঙ্গান লস
একটি মাল্টি-টাস্ক লস ফাংশন যা ডাইনামিকভাবে শেখা ওয়েট ব্যবহার করে স্বতন্ত্র লসগুলিকে নন-লিনিয়ারভাবে একত্রিত করে, ট্রেনিংয়ের সময় স্বয়ংক্রিয়ভাবে প্রতিটি টাস্কের গুরুত্ব রেগুলারাইজ করে।
মাল্টি-টাস্ক কনট্রাস্টিভ রেগুলারাইজেশন
একটি কৌশল যা একই টাস্কের রিপ্রেজেন্টেশনগুলির মধ্যে সাদৃশ্য সর্বাধিক করে যখন ভিন্ন টাস্কের রিপ্রেজেন্টেশনগুলির মধ্যে সাদৃশ্য ন্যূনতম করে, এইভাবে শেয়ার্ড ফিচার স্পেসকে রেগুলারাইজ করে।
টাস্ক ফিউশন পেনাল্টি
একটি রেগুলারাইজেশন মেকানিজম যা টাস্ক-স্পেসিফিক মডেল প্যারামিটারের মধ্যে ডাইভারজেন্সকে পেনালাইজ করে, টাস্কগুলি সদৃশ হলে জ্ঞানের প্রগ্রেসিভ ফিউশনকে উৎসাহিত করে।
মাল্টি-টাস্ক গ্রেডিয়েন্ট রেগুলারাইজেশন
একটি পদ্ধতি যা টাস্কগুলির মধ্যে লস গ্রেডিয়েন্টকে রেগুলারাইজ করে কনফ্লিক্ট কমানোর জন্য, নিশ্চিত করে যে শেয়ার্ড প্যারামিটারের আপডেট সমস্ত বিবেচিত টাস্ককে একই সাথে উপকৃত করে।
মাল্টি-টাস্ক হিউবার লস
মাল্টি-টাস্ক ফ্রেমওয়ার্কে হিউবার লসের একটি রোবাস্ট এক্সটেনশন যা প্রতিটি টাস্কের জন্য অ্যাডাপ্টিভভাবে কোয়াড্র্যাটিক এবং অ্যাবসলুট লসগুলিকে একত্রিত করে, এইভাবে আউটলিয়ারগুলির প্রভাব রেগুলারাইজ করে।
মাল্টি-টাস্ক অ্যাটেনশন রেগুলারাইজেশন
একটি কৌশল যা টাস্কগুলির মধ্যে রিপ্রেজেন্টেশন শেয়ারিংকে রেগুলারাইজ করতে অ্যাটেনশন মেকানিজম ব্যবহার করে, কনটেক্সট অনুযায়ী কোন ফিচারগুলি স্পেশালাইজ বা শেয়ার করতে হবে তা ডাইনামিকভাবে শেখে।
মাল্টি-টাস্ক কনসিসটেন্সি পেনাল্টি
একটি রেগুলারাইজেশন কনস্ট্রেইন্ট যা সদৃশ ইনপুটগুলিতে মডেলের প্রেডিকশনে কনসিসটেন্সি আরোপ করে কিন্তু টাস্ক অনুযায়ী ভিন্নভাবে লেবেল করা হয়, ইন্টার-টাস্ক জেনারালাইজেশন উন্নত করে।
মাল্টি-টাস্ক ডিস্টিলেশন রেগুলারাইজেশন
একটি পদ্ধতি যা একটি মাল্টি-টাস্ক মডেলকে একক-টাস্ক বিশেষজ্ঞ মডেলগুলোর আউটপুট অনুকরণ করতে বাধ্য করে, যার ফলে বিশেষায়িত জ্ঞান সংরক্ষিত থাকে এবং শেয়ারিং সুবিধা পাওয়া যায়।