Curriculum Learning and its Applications
- 2025년 8월 7일 오후 4:31
- 조회수: 218
INFORMATION
- 2025년 8월 8일
- 오전 12시 ~
온라인 비디오 시청 (YouTube)
발표자:
황순혁
황순혁
TOPIC
Curriculum Learning and its Applications
On-Line Video
OVERVIEW
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.
참고자료:
[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).
청취자 후기
김성수
이번 세미나는 Curriculum Learning (CL)에 대해 진행되었다. Curriculum Learning은 마치 사람이 무언가를 배우는 것처럼 쉬운 것부터 어려운 것 순서대로 학습하는 방식을 의미한다. 이는 인공지능 입장에서는 쉬운 데이터를 먼저 학습하고 어려운 데이터를 나중에 학습하는 것과 동일하다. 본 세미나에서는 CL을 준지도학습 및 도메인 적응에 활용한 사례들을 살펴보면, Unlabeled 데이터들에 대해 난이도를 설정하기 위해 최대 예측 확률값과 데이터 증강 기반 불확실성이 활용되었다. 만약 난이도가 높을 경우 명시적으로 데이터를 제외하고 학습한 경우도 있지만, 이들을 배제하지 않고 약한 Weight를 주어 학습하는 케이스도 볼 수 있었다. 개인적으로는 난이도를 정의하는 방식이 본 연구의 핵심이라고 느껴졌다. 유익한 세미나를 준비해준 황순혁 연구원님께 고맙다는 말을 전하며 세미나 후기를 마친다.