本文提出了一种新的策略，学习如何先识别最简单的正确答案，再逐步处理困难情况。应用于神经答案排名器的策略可以帮助构建一个训练课程，并在训练过程中逐渐将难度相对较小的训练样本权重升高，得到大比例的正确答案。与无课程的模型相比，该模型在 MRR 和 P @1 方面可提高 4％和 9％的性能，相当于更昂贵的最先进技术的性能水平相当。

Apr, 2020

该文介绍了如何通过课程学习来训练机器学习模型，从而提高性能和准确率，并且探讨了如何排序和引入更难的数据，同时提供了未来工作的一些方向。

Jan, 2021

本研究分析了课程学习对深度神经网络训练的影响，使用转移学习和自举法解决难度排序问题，以及不同的步伐函数指导采样，并最终证明其有效地修改了优化模型的全局最小解。

Apr, 2019

本文介绍了一种针对对话回复选择的匹配模型的学习方法，通过逐级加难的层次化课程训练框架对模型进行训练，提高其在识别对话上下文和回复候选之间的匹配线索以及识别二者之间不匹配信息的能力，实验证明该方法显著提高了模型在各项评估指标上的表现。

Dec, 2020

采用概率课程学习方法，可以在不损失翻译质量的前提下，缩短德语 - 英语翻译模型的收敛时间，但具体效果受到样本难度标准、课程表和超参数的影响。

Nov, 2018

本篇论文探讨了如何通过 Curriculum Learning 使用有组织的训练数据，以提高机器学习模型的性能，并在语音识别领域证明了这一方法的有效性。

Aug, 2022

该研究提出一种基于课程学习框架的上下文感知文档排名方法，通过逐步调整模型，帮助模型逐渐接近全局最优解，并在两个实际查询日志数据集上取得显著的性能提升，证明了课程学习对于上下文感知的文档排名的有效性。

Aug, 2022

介绍课程发现问题，提出一种能够在课程空间内根据样本难度的先验知识，发现有效课程的课程学习框架。使用注释熵和损失作为难度度量标准，我们发现：（i）对于给定的模型和数据集，顶级发现的课程通常是非单调课程，而不是现有文献中的单调课程，（ii）普遍的易于难或难于易过渡课程往往存在表现不佳的风险，（iii）在较小的数据集和模型上表现良好的课程在较大数据集和模型上表现也很好。该框架包含一些现有的课程学习方法，并可以发现在几个自然语言处理任务上优于它们的课程。

Jul, 2023

通过课程学习的数据中心培训策略，根据数据的不同指标进行排序可以提高大型语言模型的性能，而无需增加模型大小或数据集容量，从而解决大型语言模型培训中的可扩展性挑战。

May, 2024

本文研究从结构化数据和文本对中选择训练样本以优化 CURRICULUM LEARNING，并提出了一种软编辑距离度量方法，实验表明，该方法能够提高训练速度和性能。

Feb, 2021