Краткое содержание

arXiv:2511.13680v1 Тип: новая статья Аннотация: Учебная задача, понимаемая как проблема подбора параметрической модели по размеченным данным, фундаментально требует, чтобы набор данных был достаточно большим для репрезентативности лежащего в его основе распределения источника. При ограниченности данных обученные модели не способны обобщать на случаи, не встречавшиеся во время обучения. В данной статье представлена многозадачная структура _перекрёстного обучения_ для преодоления нехватки данных путём совместного оценивания _детерминированных_ параметров across несколькими связанными задачами. Мы формулируем эту совместную оценку как задачу условной оптимизации, где ограничения диктуют итоговое сходство между параметрами различных моделей, позволяя оцениваемым параметрам различаться между задачами, но при этом комбинируя информацию из множества источников данных. Эта структура позволяет передавать знания от задач с обильными данными к задачам с малым количеством данных, что приводит к более точным и надёжным оценкам параметров, обеспечивая