说我有$n$多类分类问题$p_1$, ...,$p_n$. 每个都有自己的训练数据。虽然它们都是不同的问题，但它们的数据（在我的案例中是图像）可能有相似之处，例如类的数据$p_1^{_B}$问题的$p_1$可能在某些方面类似于类的数据$p_5^{_F}$问题的$p_5$. 传统上，每个分类器都试图将其每个训练类与其他每个训练类分开，但不查看其他分类器及其训练类。如果我们以某种方式联合训练分类器，类之间的关系（来自不同的问题）可以更明确吗？例如，也许任何图像分类为$p_3^{_C}$也会被归类为$p_7^{_A}$反之亦然，或任何分类为$p_2^{_B}$ 或者 $p_2^{_C}$将被归类为$p_5^{_F}$，具有一定程度的准确性？

我探索过但似乎不太合适的可能相关的事情（简化为仅指两个问题$p_1$和$p_2$但原则上可推广到$p_n$):

1. 迁移学习似乎与如何使用从求解中获得的知识有关（比如说）$p_1$更好地解决（说）$p_2$. 优化任何分类器的准确性不是我的目标。
2. 多任务学习（MTL）似乎关心如何使用从解决这两个问题中获得的知识$p_1$和$p_2$ 一起，以提高两者的性能。同样，优化任何分类器的准确性不是我的目标。但是，MTL 的核心直觉是利用两个（或多个）任务之间的隐藏关系可能是有益的，这本质上（在我看来）与我的任务中的前提相同。
3. 多标签学习似乎是我任务的简化形式，如果每个分类问题都会出现$p$是二进制而不是多类。我发现有趣的是标签图似乎与我的任务具有相同的总体目标。

我的问题是：假设我的任务已经在大量机器学习文献中进行了描述和研究，它的名称是什么？这将帮助我找到相关的论文和潜在的软件，因此我不必重新发明轮子。最后，我是一个机器学习初学者，所以这个问题很可能从根本上被误导。如果有，请指正。