Dual-Criterion Curriculum Learning verbessert Zeitreihenprognosen

Curriculum Learning (CL) ist ein Meta-Lernparadigma, bei dem Modelle Daten schrittweise nach einem Schwierigkeitsplan trainieren. Dabei ist die Definition aussagekräftiger Schwierigkeitsmaße entscheidend, doch die meisten bestehenden Heuristiken sind stark an spezifische Anwendungen gebunden.

In der vorliegenden Arbeit wird das Dual-Criterion Curriculum Learning (DCCL) vorgestellt, das zwei unterschiedliche Sichtweisen zur Schwierigkeitsbewertung kombiniert: ein auf dem Verlust basierendes Kriterium und ein dichtebasiertes Kriterium, das im Repräsentationsraum der Daten erlernt wird. DCCL kalibriert die trainingsbasierten Beweise (Verlust) unter Berücksichtigung der Datenknappheit, die die Lernschwierigkeit verstärken kann.

Als Testfeld dient die Vorhersage von Zeitreihen. Das Framework wurde auf multivariaten Zeitreihen-Benchmarks unter den Standard-Trainingsplänen One-Pass und Baby-Steps evaluiert. Die Ergebnisse zeigen, dass dichtebasierte und hybride Dual-Criterion-Kurricula die reinen Verlust-basierenden Baselines sowie das klassische Nicht-CL-Training deutlich übertreffen.

Diese Erkenntnisse unterstreichen das Potenzial von DCCL, die Lernleistung bei zeitlichen Daten signifikant zu steigern und eröffnen neue Wege für die Entwicklung robuster, datenintelligenter Lernstrategien.