static sampling

新框架解耦机器学习课程设计中的因素

研究人员引入了Wasserstein课程路径，这是一个新颖的基于传输的框架，旨在解耦影响机器学习中课程学习的各种因素。该方法将课程表示为离散难度级别上训练分布的轨迹，从而可以分离排序、暴露、平滑度和节奏的影响。在12个任务的合成套件上进行的实验表明，课程效应高度依赖于上下文，在不同的任务、难度轴和训练预算下，没有一种单一策略被证明是普遍占优的。该框架还支持学习节奏和更复杂难度空间的扩展。