論文の概要: Dual-Criterion Curriculum Learning: Application to Temporal Data

• arxiv url: http://arxiv.org/abs/2603.23573v1
• Date: Tue, 24 Mar 2026 12:06:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:10.948176
• Title: Dual-Criterion Curriculum Learning: Application to Temporal Data
• Title（参考訳）: Dual-Criterion Curriculum Learning: 時間データへの応用
• Abstract要約: Curriculum Learning(CL)は、データインスタンスをスケジュールに応じて漸進的に供給することによってモデルをトレーニングするメタラーニングパラダイムである。 本稿では,インスタンスの難易度を評価するための2つの視点を組み合わせたDual-Criterion Curriculum Learningフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.7384726530165294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Curriculum Learning (CL) is a meta-learning paradigm that trains a model by feeding the data instances incrementally according to a schedule, which is based on difficulty progression. Defining meaningful difficulty assessment measures is crucial and most usually the main bottleneck for effective learning, while also in many cases the employed heuristics are only application-specific. In this work, we propose the Dual-Criterion Curriculum Learning (DCCL) framework that combines two views of assessing instance-wise difficulty: a loss-based criterion is complemented by a density-based criterion learned in the data representation space. Essentially, DCCL calibrates training-based evidence (loss) under the consideration that data sparseness amplifies the learning difficulty. As a testbed, we choose the time-series forecasting task. We evaluate our framework on multivariate time-series benchmarks under standard One-Pass and Baby-Steps training schedules. Empirical results show the interest of density-based and hybrid dual-criterion curricula over loss-only baselines and standard non-CL training in this setting.
• Abstract（参考訳）: CL(Curriculum Learning)は、データインスタンスをスケジュールに従って漸進的に供給することでモデルを訓練するメタラーニングパラダイムである。 意味のある困難評価尺度を定義することは不可欠であり、ほとんどの場合、効果的な学習のボトルネックとなる。 本研究では,データ表現空間で学習した密度に基づく基準によって,損失ベースの基準を補完する2つの視点を組み合わせたDCCL(Dual-Criterion Curriculum Learning)フレームワークを提案する。 本質的にDCCLは、データの疎さが学習の難しさを増幅することを考慮して、トレーニングベースのエビデンス(損失)を校正する。 テストベッドとして、時系列予測タスクを選択します。 我々は,標準のOne-PassとBaby-Stepsのトレーニングスケジュールに基づいて,多変量時系列ベンチマークの枠組みを評価する。 実験結果から, 損失専用ベースラインと標準非CLトレーニングに対する密度ベースおよびハイブリッド二重基準キュリキュラの関心が示された。

関連論文リスト

• TypiCore: A Hybrid Active Query Strategy for Class-Incremental Learning on Time Series [9.523019337276908]
  時系列データは、医療や製造業など、さまざまな分野において重要な役割を担っている。 実世界のデータストリームが完全にラベル付けされることはめったにない。 我々は、典型型と多様性に基づくサンプル選択を交互に行う、新しいハイブリッドクエリ戦略であるTypiCoreを提案する。
  論文  参考訳（メタデータ） (2026-07-20T07:39:17Z)
• Rethinking Easy-to-Hard: Limits of Curriculum Learning in Post-Training for Deductive Reasoning [61.81622271655058]
  本稿では,カリキュラムに基づく大規模言語モデルのポストトレーニングに関する体系的な実証的研究について述べる。 精度と応答長のいずれにおいても、標準的なランダムサンプリングよりも難易度に基づくシークエンシングにおいて、ロバストな優位性は見つからない。 本研究は, 帰納的推論の文脈において, 学習例の特定の順序付けは, 構成的一般化の達成において無視できる役割を担っていることを示唆している。
  論文  参考訳（メタデータ） (2026-03-28T10:43:36Z)
• Does the Definition of Difficulty Matter? Scoring Functions and their Role for Curriculum Learning [42.4526628515253]
  CL(Curriculum Learning)は、サンプルを学習プロセスに徐々に導入する機械学習トレーニング戦略である。 サンプル難易度推定のための最も一般的なスコアリング関数のロバスト性と類似性について検討する。 その結果,ランダムシード間のスコアリング関数のロバスト性はCL性能と正の相関関係があることが判明した。
  論文  参考訳（メタデータ） (2024-11-01T18:55:31Z)
• Prior-free Balanced Replay: Uncertainty-guided Reservoir Sampling for Long-Tailed Continual Learning [8.191971407001034]
  長い尾を持つデータストリームから、忘れることなく学習するための、新しいPBRフレームワークを提案する。 我々は、忘れる問題をさらに軽減するために、2つの事前自由なコンポーネントを組み込んだ。 提案手法は3つの標準長尾ベンチマークで評価される。
  論文  参考訳（メタデータ） (2024-08-27T11:38:01Z)
• Investigating the Pre-Training Dynamics of In-Context Learning: Task Recognition vs. Task Learning [99.05401042153214]
  In-context Learning(ICL)は、タスク認識(TR)とタスク学習(TL)の2つの主要な能力に起因する可能性がある。 ICLの出現の事前学習のダイナミクスを調べることで、第一歩を踏み出す。 そこで本研究では,この2つの機能を推論時によりよく統合するための,シンプルで効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-06-20T06:37:47Z)
• Data Distribution-based Curriculum Learning [6.895563531851402]
  トレーニングサンプルの順序は、分類器のパフォーマンスに大きな影響を与える可能性がある。 本稿では,データ分散に基づくカリキュラム学習という,カリキュラム学習の新たな考え方を提案する。
  論文  参考訳（メタデータ） (2024-02-12T01:02:22Z)
• Computationally Budgeted Continual Learning: What Does Matter? [128.0827987414154]
  CL (Continuous Learning) は、新しいデータに適応しながら、以前の知識を保存し、分布の異なる入力データのストリーム上でモデルを逐次訓練することを目的としている。 現在のCL文献では、以前のデータへのアクセス制限に焦点が当てられているが、トレーニングの計算予算に制約は課されていない。 本稿では,この問題を大規模ベンチマークで再検討し,計算制約条件下での従来のCL手法の性能解析を行う。
  論文  参考訳（メタデータ） (2023-03-20T14:50:27Z)
• Real-Time Evaluation in Online Continual Learning: A New Hope [104.53052316526546]
  計算コストに関して,現在の継続学習(CL)手法を評価した。 簡単なベースラインは、この評価の下で最先端のCL法より優れている。 これは、既存のCL文献の大部分は、実用的でない特定の種類のストリームに適合していることを驚くほど示唆している。
  論文  参考訳（メタデータ） (2023-02-02T12:21:10Z)
• Competence-based Multimodal Curriculum Learning for Medical Report Generation [98.10763792453925]
  本稿では,コンピテンスベースのマルチモーダルカリキュラム学習フレームワーク(CMCL)を提案する。 具体的には、CMCLは放射線学者の学習過程をシミュレートし、段階的にモデルを最適化する。 パブリックIU-XrayとMIMIC-CXRデータセットの実験は、CMCLを既存のモデルに組み込んでパフォーマンスを向上させることができることを示している。
  論文  参考訳（メタデータ） (2022-06-24T08:16:01Z)
• vCLIMB: A Novel Video Class Incremental Learning Benchmark [53.90485760679411]
  本稿では,ビデオ連続学習ベンチマークvCLIMBを紹介する。 vCLIMBは、ビデオ連続学習における深層モデルの破滅的な忘れを解析するための標準化されたテストベッドである。 本稿では,メモリベース連続学習法に適用可能な時間的整合性正規化を提案する。
  論文  参考訳（メタデータ） (2022-01-23T22:14:17Z)
• A critical look at the current train/test split in machine learning [6.475859946760842]
  分割プロトコル自体を詳しく見て、その弱点と制限を指摘します。 多くの実世界の問題では、仮定(ii)が成立しない状況が多数あることを認めなければならない。 適応ポリシーを含む適応型能動学習アーキテクチャ(AAL)を提案する。
  論文  参考訳（メタデータ） (2021-06-08T17:07:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。