我将多个并行回归网络组合成一个模型，其中组合输出以创建单个损失函数。这些网络正在寻找相同数据的不同方面，并同时进行训练。这可以被认为是一个基于物理的神经网络。
本能地，我想说，分割网络允许每个网络拥有自己的权重，而不受其他方面的干扰，这将加快训练速度和/或提高性能。 ChatGPT 似乎证实了我的怀疑，但无法给我任何来源。
有人有任何论文/证明或知道这两种方法的更具体术语吗？我只是真的不知道如何提出这个问题。
您所描述的架构，其中有多个神经网络在不同的特征集上运行但以某种方式链接，通常被称为“多模式”或“多视图”学习方法。这两个关键词应该让你有足够的阅读量。
通常，两种模态不仅在预测之后融合，而且在一些初始编码层之后融合。沿着这条路，您可能想阅读“传感器融合”。
举个例子，两个不同的模型使用两个不同的特征集（身高和手的大小）来预测相同的目标变量（篮球运动员有多好）。这可以被视为多模式学习的一种形式，因为您正在使用来自不同模式（身高和手的大小）的信息来进行预测。更多的输入特征意味着更高维度的问题空间。这意味着模型需要学习更复杂的模式（收敛时间增加、需要更多数据等），但这也意味着您的模型能够学习这种更复杂的模式（可能有更好的性能和泛化能力）。话虽这么说，具体的陈述只能在特定的上下文中给出（数据可用性、任务……）
祝您阅读愉快。