Gradientenbasierte Datenbewertung optimiert Curriculum-Learning für Planung

Forscher haben gezeigt, dass eine gradientenbasierte Datenbewertung die Reihenfolge von Trainingsdaten für spieltheoretische Bewegungsplaner deutlich verbessert. Dabei wurde die TracIn‑Methode zur Berechnung von Gradientenähnlichkeitswerten auf das Modell GameFormer angewandt und ein Curriculum erstellt, das Trainingsszenarien nach ihrem geschätzten Beitrag zur Reduktion des Validierungsfehlers gewichtet.

Die Ergebnisse sind überzeugend: Mit drei unabhängigen Zufallsstarts erzielte das TracIn‑gewichtete Curriculum einen durchschnittlichen Average Displacement Error (ADE) von 1,704 ± 0,029 m. Das übertraf das metadata‑basierte Interaktionsschwierigkeit-Curriculum (1,822 ± 0,014 m; p = 0,021, Cohen’s d_z = 3,88) deutlich und zeigte gleichzeitig eine geringere Varianz als die uniforme Basis (1,772 ± 0,134 m).

Eine Analyse der TracIn‑Scores im Vergleich zu Szenariometadaten ergab eine nahezu orthogonale Beziehung (Spearman ρ = –0,014). Das bedeutet, dass die gradientenbasierte Bewertung Lerndynamiken erfasst, die handgefertigte Features nicht erkennen. Zudem demonstrierte die Studie, dass das Curriculum‑Weighting dort erfolgreich ist, wo harte Datenauswahl versagt: 20 % der Daten, die nach TracIn ausgewählt wurden, verschlechtern die Leistung um das Doppelte, während die vollständige Datenmenge mit denselben Scores die besten Ergebnisse liefert.

Diese Erkenntnisse etablieren die gradientenbasierte Datenbewertung als praktisches Werkzeug zur Steigerung der Stichproben‑Effizienz in spieltheoretischen Planungsalgorithmen und eröffnen neue Möglichkeiten für die Optimierung von Bewegungsplanern in komplexen Umgebungen.