Curriculum learning
PulseAugur coverage of Curriculum learning — every cluster mentioning Curriculum learning across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
古代《易经》序列未能改善神经网络训练
一篇新论文探讨了周文王序列（《易经》卦象的一种古代排序方式）的统计特性，以期改善神经网络训练。研究人员发现该序列具有独特的统计特征，如高转移距离和负自相关，这些特征表面上与课程学习的原理相似。然而，在不同硬件平台和训练方法上的实验表明，应用周文王序列要么降低了性能，要么没有显著影响，这表明其独特的方差会破坏基于梯度的优化。
-
新的模型驱动方法简化了RL环境族的开发
研究人员开发了一种新颖的模型驱动方法，以简化强化学习（RL）环境族的创建。该方法利用混合遗传算法，结合全局和局部搜索技术，生成多样化但相似的环境。通过模型转换管理突变和约束，由专用引擎实现操作，解决了传统环境开发劳动密集型的问题。
-
新的自适应分箱方法增强表格自监督学习
研究人员开发了一种新的自监督学习技术，称为自适应分箱（Adaptive Binning），用于表格数据，特别是在医学领域。该方法通过在课程学习策略的指导下，在训练过程中自适应地改进特征离散化，从而改进了现有方法。该技术旨在增强值空间集中度和表示空间相干性，在公共医学数据集上进行线性探测和微调时持续获得收益，且无需针对特定数据集进行调优。
-
新的CGMPINN方法增强了物理信息神经网络的训练
研究人员开发了一种名为课程引导高斯混合物理信息神经网络（CGMPINN）的新方法，以改进物理信息神经网络（PINNs）的训练。该方法将高斯混合建模与课程学习相结合，以解决PINNs中常见的梯度病理和收敛性差等问题，尤其是在处理复杂问题时。实验表明，与标准的PINNs相比，CGMPINN在各种偏微分方程类型上显著降低了误差。
-
FiLMMeD模型使用特征线性调制进行多仓库车辆路径规划
研究人员推出FiLMMeD，这是一种新颖的神经网络模型，旨在解决各种多仓库车辆路径问题（MDVRP）。该模型通过将特征线性调制（FiLM）集成到Transformer编码器中来增强泛化能力，从而根据活动约束进行动态条件设置。FiLMMeD还证明了偏好优化在多任务学习在该领域中的有效性优于强化学习，并采用课程学习策略来管理复杂的约束交互。实验表明，FiLMMeD在24种MDVRP变体和16种单仓库VRP上的表现优于现有方法。