iPAS 考題解析某金融科技公司導入多任務學習架構，讓單一Transformer模型同時執行OCR（Optical Character Recognition）後的文檔分類以及命名實體辨識（Named Entity Recognition, NER）任務，以協助自動歸檔與抽取關鍵金融資訊。在部署初期，團隊發現當模型的NER準確率（Accuracy）提升時，文檔分類準確率反而下降。若模型架構正確且資料品質良好，下列哪一項最可能是造成此現象的原因？

解析

正確答案：C. 損失函數（Loss Function）未進行權重平衡，導致任務間競爭

多任務學習中，若各任務的損失函數未經適當加權，梯度更新時較大損失的任務會主導參數更新方向，導致損失較小的任務（如文檔分類）效能被犧牲。平衡損失函數權重是解決任務間競爭的關鍵。

每個選項為什麼對或錯

• A 模型架構無法同時支援文字分類與序列標注任務（Sequence Labeling） 錯誤選項

  Transformer架構本身支援多任務，可同時添加分類頭和序列標注頭，此描述不正確。

• B 文檔分類任務不需要語意化表徵（Contextualized Representation） 錯誤選項

  文檔分類恰恰需要語意化表徵，此描述不正確。

• C 損失函數（Loss Function）未進行權重平衡，導致任務間競爭 正解

  損失函數權重不平衡導致任務間梯度競爭，是多任務學習效能不均的最常見原因。

• D 所使用的BERT模型無法支援多任務輸出頭（Multi-Head Outputs） 錯誤選項

  BERT完全支援多任務輸出頭，這是其廣泛應用的優勢，此描述不正確。

答案、題目或解析有問題？回報這題

題目 © 經濟部產業發展署，AITerms.tw 僅作教學解析使用，本站解析以 CC BY-NC-SA 4.0 授權。