요약: 일반적인 순환 학습(Curriculum Learning)은 학습 데이터 전반을 동일한 비중으로 활용하는 전통적인 학습 방식과 달리, 쉬운 샘플부터 점진적으로 어려운 샘플로 학습 난이도를 조절함으로써 모델의 일반화 성능을 높이는 전략이다. 이러한 순환 학습은 다양한 딥러닝 분야에 적용되며 효과가 입증되고 있는데, 특히 도메인 적응, 준지도학습, 이미지 분할 학습 등에서 커리큘럼 러닝은 학습 순서를 제어하거나 샘플 선택을 통해 성능 향상을 유도하는 핵심 기법으로 주목받고 있다. 본 세미나에서는 커리큘럼 러닝의 기본 개념을 시작으로, 다양한 응용 분야에서의 적용 사례와 그 구조적 변형에 대해 살펴보고자 한다.

[1] Bengio, Y., Louradour, J., Collobert, R., & Weston, J. (2009, June). Curriculum learning. In Proceedings of the 26th annual international conference on machine learning (pp. 41-48).

[2] Cascante-Bonilla, P., Tan, F., Qi, Y., & Ordonez, V. (2021, May). Curriculum labeling: Revisiting pseudo-labeling for semi-supervised learning. In Proceedings of the AAAI conference on artificial intelligence (Vol. 35, No. 8, pp. 6912-6920).

[3] Karim, N., Mithun, N. C., Rajvanshi, A., Chiu, H. P., Samarasekera, S., & Rahnavard, N. (2023). C-sfda: A curriculum learning aided self-training framework for efficient source free domain adaptation. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 24120-24131).