我们使用 Teacher-Student Curriculum Learning(TSCL)框架进行自动课程学习,该框架依赖于一系列的 Teacher 算法,这些算法使得学生通过选择更好的子任务进行训练,并通过解决遗忘问题来提高学习速度。我们在两个任务中展示出 TSCL 的性能优于手工设计的 curricula,其中包括了对一个 Minecraft 的迷宫进行自动解决,并且在一个数量级上更快地学习。
Jul, 2017
本篇论文提出了一种新的方法,通过评估学习进程来自动化选择神经网络学习课程,从而最大化学习效率。通过提供来自学习进展指标的信号以激励非静态多臂赌博机算法来的确定随机教学计划。对于 3 个课程上的 LSTM 网络的实验结果表明,我们的方法可以显著加快学习速度,在某些情况下,将实现令人满意的性能水平所需的时间减半。
Apr, 2017
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
通过自带课程学习和基于自适应学习的绝对学习进度正则化方法,加速强化学习的计算,提高其效率。
Jun, 2023
通过对困难得分和收敛速率的理论分析,研究了以适度难度曲线为基础的课程学习在凸问题中的作用并阐述它与硬数据挖掘的矛盾之处。
Dec, 2018
提出了一种基于师生课程学习的强化学习方法,该方法独立于人类领域知识和手动课程设置,可以改善学生的样本效率和通用性。
Oct, 2022
使用模型为基础的增强学习,将上下文乐队用作指派学习活动的方法,提高了学生的完成率和参与度,增强了个性化学习体验。
Jul, 2022
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
本论文提出一种任务排序算法,旨在通过控制学习过程中的探索行为减少非最优行为,并通过实验表明在组合优化问题中能够实现显著的累积回报最大化性能,以及在微型能源网络的家庭控制器优化问题中实现验证。
Jun, 2019
本文提出了一种处理多个任务的顺序学习方法,通过仅在相关性较高的任务之间共享信息,其基于广义绑定准则的任务顺序决策能够优化任务分类绩效并自动发现任务最佳顺序。实验结果表明,顺序学习比同时学习更加有效,任务完成顺序重要并具有指引意义。
Dec, 2014