Joint Learning和Multi-Task Learning都属于集成学习（Ensemble Learning）的范畴，但网上关于Joint Learning的相关资料较少，因此在这里对这两种学习方式进行简要介绍，并对其不同点进行区分。

Joint Learning是指模型中存在多个子任务，而我们可以将这些子任务一起训练。 这么说起来有点抽象，可以举个简单的例子。比如在深度学习中，这个“深度”就可以理解为采用了多个模型进行Joint Learning，比如在许多NLP任务中，在进行模型训练前，我们会使用Word Embedding层（word to vector）对词向量进行编码，而Embedding层的参数，可以在和整个模型一起训练中得到，也可以单独对该层进行预训练，而后在该层参数确定后再拿来和模型剩余部分一起训练，这两种方法都属于Joint Learning的范畴，即Joint Learning中的子任务既可以和整个模型一起训练，也可以单独训练。而Joint Learning的含义则是将多个子模型集成为一个模型，完成最终的目标任务。

multi-task learning是多任务学习，它是指同一个模型要完成多个不同的任务，且这些不同的任务中，模型需要共享结构和权值。 多任务学习分成几种，分别是一对多，多对一和多对多。 举个不太恰当的机器翻译的例子，一对多是指模型输入一段英文，模型需要将其翻译成多种语言（同一个模型共享的参数）。而多对一则指输入多种语言，将其翻译成同一种语言。多对多则指输入多种语言，将其翻译成多种语言。 即multi-task learning是同时实现多种任务。

joint learning是指模型中包含很多小模型，而多个小模型通过joint learning组成了完整的模型，各个小模型可以单独训练，也可以与其他模块一起训练。 multi-task learning是指同一个模型需要同时完成多个任务，且在完成多个不同的任务时其参数还是共享的，这也一定程度上提高了其泛化能力。