双准则课程学习：时序数据的应用
机器学习
2026-03-26 v1 人工智能
摘要
课程学习（Curriculum Learning，CL）是一种元学习范式，通过根据难度 progression 逐步喂入数据实例来训练模型。定义有意义的难度评估度量至关重要，通常也是有效学习的主要瓶颈，而且在许多情况下所采用的数据驱动方法仅限于特定应用。在本工作中，我们提出了双准则课程学习（Dual-Criterion Curriculum Learning，DCCL）框架，将两种视角的实例难度评估相结合：基于损失的准则被数据表示空间中基于密度的准则所补充。本质上，DCCL在考虑数据稀疏性放大学习难度的基础上，对训练依据（loss）进行校准。作为测试平台，我们选择时间序列预测任务。我们在标准One-Pass和Baby-Steps训练计划下，对本框架在多变量时间序列基准数据集上进行评估。实验结果表明，在本设置下，基于密度的和混合双准则课程相较于基于损失的单一准则基线以及标准非课程学习训练，具有更好的效果。
引用
@article{arxiv.2603.23573,
title = {Dual-Criterion Curriculum Learning: Application to Temporal Data},
author = {Gaspard Abel and Eloi Campagne and Mohamed Benloughmari and Argyris Kalogeratos},
journal= {arXiv preprint arXiv:2603.23573},
year = {2026}
}