Adam 优化算法下的课程学习：细节的魔鬼存在

该文介绍了一种根据样本难度发现有效课程的学习框架。通过使用注释熵和损失作为难度度量标准，研究发现顶级课程通常是非单调的，并且易于难或难于易过渡的课程存在表现不佳的风险。此外，较小数据集和模型上表现良好的课程在较大数据集和模型上也表现良好。该框架在几个自然语言处理任务上优于现有的课程学习方法。