TL;DR/总结：类（$y1$,$y2$,$y3$下面）在多任务中可以是任何东西（可能是$y1 \cap y2 = \emptyset$,$y1 \cap y2 = \emptyset$， 等等）。在增量中，我们获取标签（以及来自公共集合的数据，（即$y[:2] \subseteq y[:4] \subseteq y$，根据子集的定义）

这只是定义的解释问题。这些定义看起来非常相似，但细节很重要。

假设模型可以区分类的上键数：例如，它是一个具有$N$输出层中的神经元和类数 ($k$) 在大多数类的任务中是$k <= N$（多任务）或类总数（$k$） 也是$k <= N$（单增量任务）；我们可以说：

多任务

在这里，我们将随着时间的推移在不同的任务上训练模型，这通常称为强化学习。在半 python 伪代码中（其中.train已经包括交叉验证之类的东西）：

model = Whatever(...)

X1 = [[1, 0],
      [2, 2],
      [3, 0]]
y1 = [0, 1, 0]
model.train(X1, y1)

X2 = [[4, 4],
      [5, 5],
      [6, 0]]
y2 = [1, 2, 0]
model.train(X2, y2)

X3 = [[7, 0],
      [8, 8],
      [9, 9]]
y3 = [0, 1, 1]
model.train(X3, y3)
score = model.score(X3, y3)

这里的任务可能相关也可能不相关。或者通常是稍微相关的（例如在每次训练中识别不同类型的对象）。

单个增量任务

这也是多次训练模型，这里我们只有一个任务，X但不会一次输入整个数据集。在半python伪代码中：

model = Whatever(...)

X = [[1, 0],
     [2, 2],
     [3, 0],
     [4, 4],
     [5, 5],
     [6, 0]]
y = [0, 1, 0, 3, 2, 0]

model.train(X[:2, :], y[:2])
score1 = model.score(X[:2, :], y[:2])
model.train(X[:4, :], y[:4])
score2 = model.score(X[:4, :], y[:4])
model.train(X, y)
score3 = model.score(X, y)

这里的任务是一项，但它可能是一项艰巨的任务。使用这种技术的一个地方是建立一个学习曲线，这是评估我们是否有足够的数据来理解任务变化的一种方法。

额外说明：在多任务情况下，我们说过$y1 \cap y2 \cap y3 = \emptyset$可能（而且很可能）是可能的。一个例子是：$y1$是不同型号的汽车和$y2$是不同型号的船。问题是：了解不同型号的汽车是否有助于区分不同型号的船舶？

（PS ys 将始终从 0 到类数进行枚举，即 s 的数值y将始终相同但它们的类含义不必相同）。