硬参数共享：在多任务学习（Multi-task Learning）中，让多个任务共享同一套神经网络参数（通常是底层/编码器部分），只在输出层或少量任务专属层上分开。这样能减少模型参数、提升数据利用效率，并常被视为一种正则化手段（降低过拟合风险）。相对概念是 soft parameter sharing（软参数共享）。
/hɑːrd pəˈræmɪtər ˈʃɛərɪŋ/
Hard parameter sharing can help a model learn more general features across tasks.
硬参数共享可以帮助模型在多个任务之间学习更通用的特征。
In a multi-task neural network, hard parameter sharing typically uses a shared encoder with task-specific heads to balance efficiency and performance.
在多任务神经网络中，硬参数共享通常采用共享编码器并配合任务专属输出头，以在效率与性能之间取得平衡。
该术语来自多任务学习研究中的对比表达：hard（硬）表示“直接把参数绑在一起、完全共用”，共享发生在同一组权重上；与之对应的 soft（软）更强调“各任务各有参数，但通过约束/惩罚项让它们相似”。“parameter sharing（参数共享）”本身是深度学习常用说法，指多个组件复用同一权重以提升泛化与效率。
Select Language