マルチタスク学習（Multi-task Learning）とは、関連する複数のタスクを同時に学習させることで、各タスクの性能を向上させる手法です。タスク間で有用な表現を共有することで、個別に学習するよりも効率的かつ高性能なモデルを構築できます。
なぜ効果があるのか
関連タスクを同時に学習することで、①有用な特徴表現の共有、②暗黙的なデータ拡張効果、③正則化効果（個々のタスクのノイズが相殺される）、④タスク間の相補的な情報の活用、などの利点が得られます。
アーキテクチャ
ハードパラメータ共有（下位層を共有し上位層はタスク別）とソフトパラメータ共有（各タスクが独自のモデルを持ちパラメータ間の距離にペナルティ）の2つのアプローチがあります。
活用例
自然言語処理（品詞タグ付けと固有表現認識の同時学習）、自動運転（物体検出とセグメンテーションの同時学習）、レコメンデーション（クリック予測と購入予測の同時学習）など。